Schulungsübersicht
TAG 1 - KÜNSTLICHE NEURONALE NETZE
Einführung und Struktur von ANN.
- Biologische Neurone und künstliche Neurone.
- Modell eines ANN.
- Aktivierungsfunktionen in ANNs.
- Häufige Klassen von Netzwerkarchitekturen .
Mathematische Grundlagen und Lernmechanismen.
- Wiederholung der Vektor- und Matrizenalgebra.
- Zustandsraumkonzepte.
- Konzepte der Optimierung.
- Fehlerkorrektur-Lernen.
- Gedächtnisbasiertes Lernen.
- Hebb’sches Lernen.
- Kompetitives Lernen.
Einzelschicht-Perzeptronen.
- Struktur und Lernverfahren von Perzeptronen.
- Musterklassifizierer – Einführung und Bayes-Klassifizierer.
- Perzeptron als Musterklassifizierer.
- Konvergenz des Perzeptrons.
- Einschränkungen eines Perzeptrons.
Feedforward-ANN.
- Strukturen von mehrschichtigen Feedforward-Netzen.
- Zurückpropagationsalgorithmus (Back Propagation).
- Zurückpropagation – Training und Konvergenz.
- Funktionsapproximation mit Zurückpropagation.
- Praktische und gestalterische Aspekte des Lernens mittels Zurückpropagation.
Radiale-Basis-Funktionen-Netzwerke (RBF-Netzwerke).
- Muster-Trennbarkeit und Interpolation.
- Theorie der Regularisierung.
- Regularisierung und RBF-Netzwerke.
- Konfiguration und Training von RBF-Netzwerken.
- Approximationseigenschaften von RBF.
Kompetitives Lernen und selbstorganisierende ANNs.
- Allgemeine Clustering-Verfahren.
- Learning Vector Quantization (LVQ).
- Kompetitive Lernverfahren und Architekturen.
- Selbstorganisierende Merkmalkarten.
- Eigenschaften von Merkmalkarten.
Fuzzy-neuronale Netze.
- Neuro-fuzzy Systeme.
- Hintergrund fuzzyer Mengen und Logik.
- Konfiguration fuzzyer Komponenten.
- Konfiguration von fuzzyen ANNs.
Anwendungen
- Vereinzelte Beispiele für Anwendungen neuronaler Netze sowie deren Vor- und Nachteile werden erörtert.
TAG 2 – MASCHINELLES LERNEN
- PAC-Lernrahmenwerk
- Garantien für endliche Hypothesenmenge – konsistenter Fall
- Garantien für endliche Hypothesenmenge – inkonsistenter Fall
- Allgemeines
- Deterministisch vs. stochastische Szenarien
- Bayes-Fehler-Rauschen
- Schätz- und Approximationsfehler
- Modellauswahl
- Rademacher-Komplexität und VC-Dimension
- Bias-Variance-Tradeoff
- Regularisierung
- Overfitting
- Validierung
- Support Vector Machines
- Kriging (Gaußsche Prozessregression)
- Hauptkomponentenanalyse (PCA) und Kernel-PCA
- Selbstorganisierende Karten (SOM)
- Von Kernels induzierter Vektorraum
- Mercer-Kernel und kernelbasierte Ähnlichkeitsmasse
- Verstärkungslernen
TAG 3 – DEEP LEARNING
Dies wird in Bezug auf die Themen behandelt, die am Tag 1 und Tag 2 abgedeckt wurden.
- Logistische Regression und Softmax-Regression
- Sparse Autoencoder
- Vektorisierung, PCA und Whitening
- Self-Taught Learning
- Tiefe Netzwerke
- Lindeare Decoder
- Convolution und Pooling
- Sparse Coding
- Eigenständige Komponentenanalyse
- Kanonische Korrelationsanalyse
- Demos und Anwendungen
Voraussetzungen
Gute mathematische Kenntnisse.
Gute Kenntnisse in grundlegender Statistik.
Grundlegende Programmierkenntnisse sind nicht zwingend erforderlich, werden jedoch 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
