Cursusaanbod

DAG 1 - KUNSTMATIGE NEURALE NETWERKEN

Inleiding en ANN-structuur.

  • Biologische neuronen en kunstmatige neuronen.
  • Model van een ANN.
  • Activeringsfuncties die worden gebruikt in ANN's.
  • Typische klassen van netwerkarchitecturen .

Mathematical Grondslagen en leermechanismen.

  • Vector- en matrixalgebra opnieuw bezoeken.
  • Toestand-ruimte concepten.
  • Concepten van optimalisatie.
  • Leren van foutcorrectie.
  • Leren op basis van geheugen.
  • Hebbiaans leren.
  • Competitief leren.

Enkellaagse perceptrons.

  • Structuur en leren van perceptrons.
  • Patroonclassificatie - inleiding en de classificaties van Bayes.
  • Perceptron als patroonclassificator.
  • Perceptron convergentie.
  • Beperkingen van een perceptrons.

Feedforward ANN.

  • Structuren van meerlaagse feedforward-netwerken.
  • Algoritme voor terugverspreiding.
  • Rugpropagatie - training en convergentie.
  • Functionele benadering met rugvoortplanting.
  • Praktische en ontwerpkwesties van rugpropagatie leren.

Netwerken van radiale basisfuncties.

  • Patroonscheidbaarheid en interpolatie.
  • Regularisatie theorie.
  • Regularisatie- en RBF-netwerken.
  • Ontwerp en training van RBF-netwerken.
  • Benaderingseigenschappen van RBF.

Competitief leren en zelforganiserend ANN.

  • Algemene procedures voor clustering.
  • Kwantisatie van leervectoren (LVQ).
  • Concurrerende leeralgoritmen en -architecturen.
  • Zelforganiserende functiekaarten.
  • Eigenschappen van functiekaarten.

Wazig Neural Networks.

  • Neuro-fuzzy systemen.
  • Achtergrond van fuzzy sets en logica.
  • Ontwerp van pluizige stelen.
  • Ontwerp van fuzzy ANN's.

Toepassingen

  • Enkele voorbeelden van toepassingen van neurale netwerken, hun voordelen en problemen zullen worden besproken.

DAG -2 MACHINAAL LEREN

  • Het PAC Leerkader
    • Garanties voor eindige hypothesenverzameling – consistent geval
    • Garanties voor eindige hypothese set – inconsistent geval
    • Algemeen
      • Deterministisch cv. Stochastische scenario's
      • Bayes fout ruis
      • Schattings- en benaderingsfouten
      • Model selectie
  • Radmeacher Complexiteit en VC – Dimensie
  • Bias - Variantie afweging
  • Regularisatie
  • Overmontage
  • Validering
  • Ondersteuning Vector Machines
  • Kriging (regressie van het Gaussiaanse proces)
  • PCA en Kernel PCA
  • Kaarten voor zelforganisatie (SOM)
  • Kernel geïnduceerde vectorruimte
    • Mercer Kernels en Kernel - geïnduceerde gelijkenismetrieken
  • Reinforcement Learning

DAG 3 - DIEP LEREN

Dit wordt onderwezen in relatie tot de onderwerpen die op dag 1 en dag 2 worden behandeld

  • Logistieke en Softmax-regressie
  • Schaarse auto-encoders
  • Vectorisatie, PCA en Whitening
  • Autodidactisch leren
  • Diepe netwerken
  • Lineaire decoders
  • Convolutie en pooling
  • Schaarse codering
  • Onafhankelijke componentenanalyse
  • Canonieke correlatieanalyse
  • Demo's en toepassingen

Vereisten

Good begrip van wiskunde.

Good begrip van basisstatistieken.

Basisprogrammeervaardigheden zijn niet vereist, maar worden aanbevolen.

 21 Uren

Leveringsopties

PRIVÉGROEPSTRAINING

Onze identiteit draait om het leveren van precies wat onze klanten nodig hebben.

  • Pre-cursusgesprek met uw trainer
  • Aanpassing van de leerervaring om uw doelen te bereiken -
    • Op maat gemaakte overzichten
    • Praktische, praktische oefeningen met gegevens / scenario's die herkenbaar zijn voor de cursisten
  • Training gepland op een datum naar keuze
  • Gegeven online, op locatie/klaslokaal of hybride door experts die ervaring uit de echte wereld delen

Private Group Prices RRP from €6840 online delivery, based on a group of 2 delegates, €2160 per additional delegate (excludes any certification / exam costs). We recommend a maximum group size of 12 for most learning events.

Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen


OPENBARE TRAINING

Kijk op onze public courses

Reviews (2)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën