Cursusaanbod
DAG 1 – KUNSTMATIGE NEURONALE NETWERKEN
Inleiding en structuur van ANN's.
- Biologische versus kunstmatige neuronen.
- Het model van een ANN.
- Activatiefuncties die in ANN’s worden gebruikt.
- De meest voorkomende netwerkarchecturen.
Wiskundige grondslagen en leermechanismen.
- Het opfrissen van vector- en matrixalgebra.
- Concepten rond de staatruimte.
- Optimalisatieprincipes.
- Leerprocessen gebaseerd op foutcorrectie.
- Geheugen-georiënteerd leren.
- Het Hebbiaanse leerprincipe.
- Competitief leren.
Eenzijdige perceptrons.
- De structuur en het leerproces van perceptrons.
- Inleiding tot patroonherkenning en Bayesiaanse classificatoren.
- Het gebruik van een perceptron als patroonclassificator.
- Voorwaarden waaronder een perceptron succesvol leert.
- De beperkingen van perceptrons.
Voorgestuurde ANN’s.
- Structuur van meerdere lagen tellende voorgestuurde netwerken.
- Het backpropagation-algoritme.
- Trainen en convergentie via backpropagation.
- Functie-approximatie met behulp van backpropagation.
- Praktische aspecten en ontwerpproblemen bij het gebruik van backpropagation.
Radiale basisfunctienetwerken.
- Patroononderscheiding en interpolatie met deze netwerken.
- Regularisatietheorie in dit kader.
- De relatie tussen regularisatie en RBF-netwerken.
- Ontwerp en training van RBF-netwerken.
- De approximatieve eigenschappen van radiale basisfuncties.
Competitief leren en zelforganiserende ANN's.
- Algemene procedures voor clustering.
- Het Learning Vector Quantization-principe (LVQ).
- Competitieve leeralgoritmen en bijbehorende architectuurvormen.
- Zelforganiserende kenmerkkaarten.
- Eigenschappen van dergelijke kaarten.
Fuzzy-neuronale netwerken.
- Neuro-fuzzysystemen in het algemeen.
- De achtergrond van fuzzyverzamelingen en logica.
- Ontwerp van fuzzyregels en –structuren.
- Vormgeving van kunstmatige neuronale netwerken op basis van fuzzy-logica.
Toepassingen
- Een aantal concrete voorbeelden van toepassingen van kunstmatige neuronale netwerken zullen worden besproken, evenals hun voordelen en mogelijke problemen.
DAG 2 – MACHINE LEARNING
- Het PAC-leerkader
- Garanties voor eindige hypotheesverzamelingen – het geval van consistentie
- Garanties voor eindige hypotheesverzamelingen – het geval van inconsistentie
- Algemene kwesties
- Deterministische versus stochastische scenario’s
- Ruiskende effecten en Bayes-fouten
- Estimatie- en approximatiefouten
- Modelselectie
- Radamacher-complexiteit en VC-dimensie.
- Het evenwicht tussen bias en variantie.
- Regularisatieprincipes.
- Problemen met overfitting.
- Methode van validatie in praktijk.
- Support Vector Machines.
- Kriging (regressie gebaseerd op Gaussiaanse processen).
- PCA en Kernel PCA als analysehulpmiddelen.
- Self Organising Maps (SOM).
- Vectorruimten verkregen via kernfuncties
- Mercers kernels en de daaruit voortvloeiende nabijheidsmaten
- Reinforcement learning.
DAG 3 – DIEP LEREN
Deze module is gekoppeld aan de onderwerpen uit Dag 1 en Dag 2
- Logistische regressie en Softmax-regressie.
- Sparse autoencoders in praktijk.
- Vectorisatie, PCA en whitening als voorbehandelingsstappen.
- Zelfgeleerd leren binnen diep geleeringssystemen.
- Architectuurvormen van diepe netwerken.
- Lineaire decoders en hun toepassingen.
- Convolutie- en poolingtechnieken.
- Sparse codering als proces voor efficiënte representatie.
- Onafhankelijke componentanalyse.
- Canonical correlatieanalyse.
- Praktische demonstraties en toepassingsgebieden van diep leren.
Vereisten
Een goede kennis van wiskunde.
Een goede basiskennis van statistiek.
Grundige programmeervaardigheden zijn niet vereist, maar wel aan te raden.
Aangepaste bedrijfsopleiding
Opleidingsoplossingen ontworpen exclusief voor bedrijven.
- Aangepaste inhoud: We passen de syllabus en praktijkopdrachten aan naar de echte doelen en behoeften van uw project.
- Voor flexibel schema: Datums en tijden aangepast aan het rooster van uw team.
- Formaat: Online (live), In-company (bij uw kantoren) of Hybride.
Prijs per privégroep, online live training, startend vanaf 4800 € + BTW*
Neem contact met ons op voor een exacte offerte en om onze laatste promoties te horen
Reviews (2)
Werken op basis van eerste principes op een gefocuste manier, en overgaan naar het toepassen van casestudies binnen dezelfde dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Automatisch vertaald
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
Jonathan Blease
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Automatisch vertaald
