Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
De cursus is verdeeld in drie afzonderlijke dagen, waarvan de derde optioneel is.
Dag 1 - Machine Learning & Deep Learning: Theoretische concepten
1. Inleiding IA, Machine Learning & Deep Learning
- Geschiedenis, fundamentele concepten en gebruikelijke toepassingen van kunstmatige intelligentie ver van de fantasieën die door dit veld worden gedragen
- Collectieve intelligentie: het samenvoegen van kennis die door veel virtuele agenten wordt gedeeld
- Genetische algoritmen: het ontwikkelen van een populatie van virtuele agenten door selectie
- Machine Learning Gebruikelijk: definitie.
- Soorten taken: begeleid leren, leren zonder toezicht, versterkend leren
- Soorten acties: classificatie, regressie, clustering, dichtheidsschatting, dimensionaliteitsreductie
- Voorbeelden van algoritmes Machine Learning: Lineaire regressie, Naïeve Bayes, Random Tree
- Machine learning VS Deep Learning: problemen waarvoor de Machine Learning vandaag de dag nog steeds de stand van de techniek is (Random Forests & XGBoosts)
2. Fundamentele concepten van een neuraal netwerk (Toepassing: meerlaags perceptron)
- Herinnering aan wiskundige basisprincipes.
- Definitie van een neuraal netwerk: klassieke architectuur, activatie- en wegingsfuncties van eerdere activeringen, diepte van een netwerk
- Definitie van neurale netwerktraining: kostenfuncties, back-propagatie, stochastische gradiëntafdaling, maximale waarschijnlijkheid.
- Modellering van een neuraal netwerk: modellering van input- en outputgegevens volgens het type probleem (regressie, classificatie, enz.). Vloek van dimensionaliteit. Onderscheid tussen multi-feature data en signaal. Keuze van een kostenfunctie op basis van de gegevens.
- Benaderen van een functie door een neuraal netwerk: presentatie en voorbeelden
- Benaderen van een verdeling door een neuraal netwerk: presentatie en voorbeelden
- Data Augmentation: hoe balanceer je een dataset?
- Generalisatie van de resultaten van een neuraal netwerk.
- Initialisaties en regularisaties van een neuraal netwerk: L1/L2 regularisatie, Batch Normalisatie, enz.
- Optimalisaties en convergentie-algoritmen.
3. Gebruikelijke ML/DL-tools
Er is een eenvoudige presentatie gepland met voor- en nadelen, positie in het ecosysteem en gebruik.
- Tools voor gegevensbeheer: Apache Spark, Apache Hadoop
- Veelgebruikte tools Machine Learning: Numpy, Scipy, Sci-kit
- DL-frameworks op hoog niveau: PyTorch, Keras, Lasagne
- DL-frameworks op laag niveau: Theano, Torch, Caffe, Tensorflow
Dag 2 - Convolutionele en terugkerende netwerken
4. Convolutioneel Neural Networks (CNN).
- Presentatie van CNN's: fundamentele principes en toepassingen
- Fundamentele werking van een CNN: convolutionele laag, gebruik van een kernel, padding & stride, genereren van feature maps, pooling layers. 1D-, 2D- en 3D-extensies.
- Presentatie van de verschillende CNN-architecturen die de stand van de techniek op het gebied van beeldclassificatie hebben gebracht: LeNet, VGG Networks, Network in Network, Inception, Resnet. Presentatie van de innovaties van elke architectuur en hun meer globale toepassingen (1x1 convolutie of restverbindingen)
- Gebruik van een aandachtsmodel.
- Toepassing op een gemeenschappelijk classificatiescenario (tekst of afbeelding)
- CNN's voor generatie: superresolutie, pixel-tot-pixel segmentatie. Een overzicht van de belangrijkste strategieën voor het vergroten van functiekaarten voor het genereren van afbeeldingen.
5. Terugkerend Neural Networks (RNN).
- Presentatie van RNN's: fundamentele principes en toepassingen.
- Hoe de RNN werkt: verborgen activering, terugverspreiding door de tijd, uitgevouwen versie.
- Evolutie naar GRU (Gated Recurrent Units) en LSTM (Long Short Term Memory). Presentatie van de verschillende toestanden en de evoluties die deze architecturen met zich meebrengen
- Convergentieproblemen en gradiëntvervanising
- Soorten klassieke architecturen: Voorspelling van een tijdreeks, classificatie, enz.
- RNN Encoder Decoder architectuur. Gebruik van een aandachtsmodel.
- NLP-toepassingen: woord-/tekencodering, vertaling.
- Video-apps: Voorspel het volgende gegenereerde frame van een videosequentie.
Dag 3 - Generatiemodellen en Reinforcement Learning
6. Generatiemodellen: Variational AutoEncoder (VAE) en Generative Adversarial Networks (GAN).
- Presentatie van generatiemodellen, link met CNN's gezien in dag 2
- Auto-encoder: dimensionaliteitsreductie en beperkte generatie
- Variational Auto-encoder: generatiemodel en benadering van de distributie van een stuk data. Definitie en gebruik van latente ruimte. Truc voor herparametrering. Toepassingen en waargenomen beperkingen
- Generatieve vijandige netwerken: grondbeginselen. Architectuur met twee roosters (generator en discriminator) met afwisselend leren, kostenfuncties beschikbaar.
- Convergentie van een GAN en ondervonden moeilijkheden.
- Verbeterde convergentie: Wasserstein GAN, BeGAN. Bewegende afstand van de aarde.
- Toepassingen voor het genereren van afbeeldingen of foto's, het genereren van tekst,
resolutie.
7. Diep Reinforcement Learning.
- Overzicht van reinforcement learning: het besturen van een agent in een door de staat gedefinieerde omgeving en mogelijke acties
- Een neuraal netwerk gebruiken om de toestandsfunctie te benaderen
- Deep Q Learning: ervaar het opnieuw afspelen en toepassen op de besturing van een videogame.
- Optimalisaties van het leerbeleid. On-policy en off-policy. De architectuur van de acteurscriticus. A3C.
- Toepassingen: besturing van een eenvoudig videospel of een digitaal systeem.
Vereisten
Niveau ingénieur
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
