Course Outline

Dag 1:

Basis Machine Learning

Module 1

Invoering:

  • Oefening – Installeren van Python en NN-bibliotheken
  • Waarom machinaal leren?
  • Korte geschiedenis van machinaal leren
  • De opkomst van diep leren
  • Basisconcepten in machinaal leren
  • Een classificatieprobleem visualiseren
  • Beslisgrenzen en beslisgebieden
  • iPython notitieboekjes

Module-2

  • Oefening – Beslissingsregio's
  • Het kunstmatige neuron
  • Het neurale netwerk, voorwaartse voortplanting en netwerklagen
  • Activeringsfuncties
  • Oefening – Activeringsfuncties
  • Terugpropagatie van fouten
  • Onderfitting en overfitting
  • Interpolatie en afvlakking
  • Extrapolatie en data-abstractie
  • Generalisatie in machinaal leren

Module-3

  • Oefening – Onderfitting en overfitting
  • Trainings-, test- en validatiesets
  • Databias en het negatieve voorbeeldprobleem
  • Afweging van bias/variantie
  • Oefening – Datasets en bias

Module-4

  • Overzicht van NN-parameters en hyperparameters
  • Logistieke regressieproblemen
  • Kostenfuncties
  • Voorbeeld – Regressie
  • Klassieke machine learning versus deep learning
  • Conclusie

Dag 2: Convolutioneel Neural Networks (CNN)

Module-5

  • Introductie tot CNN
  • Wat zijn CNN's?
  • Computer visie
  • CNN's in het dagelijks leven
  • Afbeeldingen – pixels, kwantisering van kleur en ruimte, RGB
  • Convolutievergelijkingen en fysieke betekenis, continu versus discreet
  • Oefening – 1D-convolutie

Module-6

  • Theoretische basis voor filtering
  • Signaal als som van sinusoïden
  • Frequentie spectrum
  • Banddoorlaatfilters
  • Oefening – Frequentiefiltering
  • 2D convolutionele filters
  • Vulling en paslengte
  • Filter als banddoorlaat
  • Filter als sjabloonmatching
  • Oefening – Randdetectie
  • Gabor-filters voor gelokaliseerde frequentieanalyse
  • Oefening – Gabor-filters als laag 1-kaarten

Module-7

  • CNN-architectuur
  • Convolutionele lagen
  • Max. poolinglagen
  • Downsampling-lagen
  • Recursieve gegevensabstractie
  • Voorbeeld van recursieve abstractie

Module-8

  • Oefening – Basis CNN-gebruik
  • ImageNet-dataset en het VGG-16-model
  • Visualisatie van featurekaarten
  • Visualisatie van functiebetekenissen
  • Oefening – Kenmerkkaarten en kenmerkbetekenissen

Dag 3: Sequentiemodel

Module-9

  • Wat zijn sequentiemodellen?
  • Waarom sequentiemodellen?
  • Gebruiksscenario voor taalmodellering
  • Reeksen in de tijd versus reeksen in de ruimte

Module-10

  • RNN's
  • Terugkerende architectuur
  • Terugpropagatie door de tijd
  • Verdwijnende gradiënten
  • GRU
  • LSTM
  • Diep RNN
  • Bidirectionele RNN
  • Oefening – Unidirectioneel versus bidirectioneel RNN
  • Bemonsteringssequenties
  • Voorspelling van reeksuitvoer
  • Oefening – Voorspelling van reeksuitvoer
  • RNN's op eenvoudige tijdsvariërende signalen
  • Oefening – Basisgolfvormdetectie

Module-11

  • Natural Language Processing (NLP)
  • Word inbedding
  • Word vectoren: woord2vec
  • Word vectoren: GloVe
  • Kennisoverdracht en woordinbedding
  • Sentiment analyse
  • Oefening – Sentiment Analysis

Module-12

  • Kwantificering en verwijdering van vooroordelen
  • Oefening – Vooroordelen verwijderen
  • Audiogegevens
  • Straal zoeken
  • Aandachtsmodel
  • Spraakherkenning
  • Activeer woorddetectie
  • Oefening – Speech Recognition

Requirements

Er zijn geen specifieke vereisten om aan deze cursus deel te nemen.

  21 Hours
 

Related Courses

Related Categories