Schulungsübersicht
TAG 1 - KÜNSTLICHE NEURONALE NETZE
Einführung und Struktur künstlicher neuronaler Netze (ANN).
- Biologische und künstliche Neuronen.
- Modell eines künstlichen neuronalen Netzes.
- Aktivierungsfunktionen in künstlichen neuronalen Netzen.
- Typische Klassen von Netzarchitekturen.
Mathematische Grundlagen und Lernmechanismen.
- Wiederholung der Vektor- und Matrizenrechnung.
- Begriffe des Zustandsraums.
- Konzepte der Optimierung.
- Lernen durch Fehlerkorrektur.
- Speicherbasiertes Lernen.
- Hebbian-Lernen.
- Kompetitives Lernen.
Einlagige Perzeptrons.
- Struktur und Lernen von Perzeptronen.
- Musterklassifizierer – Einführung und Bayes-Klassifizierer.
- Perzeptron als Musterklassifizierer.
- Konvergenz des Perzeptrons.
- Einschränkungen von Perzeptronen.
Feedforward-künstliche neuronale Netze.
- Strukturen von mehrschichtigen Feedforward-Netzen.
- Rückpropagationsalgorithmus.
- Rückpropagation – Training und Konvergenz.
- Funktionsapproximation mittels Rückpropagation.
- Praktische und gestalterische Aspekte des Lernens mit Rückpropagation.
Radialbasisfunktionennetze (RBF-Netze).
- Musterseparierbarkeit und Interpolation.
- Theorie der Regularisierung.
- Regularisierung und RBF-Netze.
- Design und Training von RBF-Netzen.
- Approximationsfähigkeiten von RBF-Netzen.
Kompetitives Lernen und selbstorganisierende künstliche neuronale Netze.
- Allgemeine Clustering-Verfahren.
- Lernvektorquantisierung (LVQ).
- Algorithmen und Architekturen des kompetitiven Lernens.
- Selbstorganisierende Merkmalskarten.
- Eigenschaften von Merkmalskarten.
Fuzzy-neuronale Netze.
- Neuro-fuzzy-Systeme.
- Grundlagen der Fuzzy-Mengen und Fuzzy-Logik.
- Design von Fuzzy-Systemen.
- Design von Fuzzy-künstlichen neuronalen Netzen.
Anwendungen
- Es werden einige Beispiele für Anwendungen neuronaler Netze sowie deren Vorteile und Problemstellungen diskutiert.
TAG 2 - MASCHINELLES LERNEN
- PAC-Lernrahmen
- Garantien für endliche Hypothesenmengen – konsistenter Fall
- Garantien für endliche Hypothesenmengen – inkonsistenter Fall
- Allgemein gültige Aspekte
- Deterministische im Vergleich zu stochastischen Szenarien
- Bayes-Fehlerschranken
- Schätz- und Approximationsfehler
- Modellauswahl
- Rademacher-Komplexität und VC-Dimension
- Bias-Varianz-Abwägung
- Regularisierung
- Overfitting
- Validierung
- Support Vector Machines
- Kriging (Gauß-Prozess-Regression)
- PCA und Kernel-PCA
- Self-Organisation Maps (SOM)
- Von Kernels induzierter Vektorraum
- Mercer-Kernel und von Kernels induzierte Ähnlichkeitsmassen
- Reinforcement Learning
TAG 3 - DEEP LEARNING
Die Inhalte werden im Zusammenhang mit den Themen der Tage 1 und 2 gelehrt
- Logistische und Softmax-Regression
- Sparse Autoencoder
- Vektorisierung, PCA und Whitening
- Self-Taught Learning
- Tiefe Netze
- Lineare Dekodierer
- Konvolution und Pooling
- Sparse Coding
- Unabhängigkeitskomponentenanalyse (ICA)
- Kanonische Korrelationsanalyse (CCA)
- Demos und Anwendungen
Voraussetzungen
Gutes Verständnis der Mathematik.
Gutes Verständnis der grundlegenden Statistik.
Grundlegende Programmierkenntnisse sind nicht erforderlich, werden aber empfohlen.
Erfahrungsberichte (2)
Nach grundlegenden Prinzipien arbeiten und sich innerhalb desselben Tages auf die Anwendung von Fallstudien konzentrieren
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
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
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maschinelle Übersetzung
