Schulungsübersicht
TAG 1 – KÜNSTLICHE NEURONALE NETZE
Einführung und Struktur von ANN.
- Biologische und künstliche Neuronen.
- Modell eines künstlichen neuronalen Netzes (ANN).
- Aktivierungsfunktionen in ANNs.
- Typische Klassen von Netzwerkarchitekturen.
Mathematische Grundlagen und Lernmechanismen.
- Wiederholung der Vektor- und Matrizenalgebra.
- Begriffe des Zustandsraums.
- Konzepte der Optimierung.
- Fehlerkorrigierendes Lernen.
- Lernen auf Basis von Speicher.
- Hebbian-Lernen.
- Kompetitives Lernen.
Einlagige Perzeptrone.
- Struktur und Lernen von Perzeptronen.
- Musterklassifikation – Einführung und Bayes-Klassifikatoren.
- Das Perzeptron als Musterklassifikator.
- Konvergenz des Perzeptrons.
- Begrenzungen von Perzeptronen.
Feedforward-ANNs.
- Strukturen mehrschichtiger Feedforward-Netze.
- Backpropagation-Algorithmus.
- Backpropagation – Training und Konvergenz.
- Funktionsapproximierung mit Backpropagation.
- Praktische und gestalterische Aspekte des Backpropagation-Lernens.
Radialbasisfunktionsnetze (RBF).
- Musterseparierbarkeit und Interpolation.
- Theorie der Regularisierung.
- Regularisierung und RBF-Netze.
- Entwurf und Training von RBF-Netzen.
- Approximationseigenschaften von RBFs.
Kompetitives Lernen und selbstorganisierende ANNs.
- Allgemeine Verfahren des Clustering.
- Lernvektorquantisierung (LVQ).
- Kompetitive Lernalgorithmen und -architekturen.
- Selbstorganisierende Merkmalskarten.
- Eigenschaften von Merkmalskarten.
Fuzzy-Neuronale Netze.
- Neuro-fuzzy-Systeme.
- Hintergrund zu Fuzzy-Mengen und Fuzzy-Logik.
- Entwurf von Fuzzy-Systemen.
- Entwurf von Fuzzy-ANNs.
Anwendungen
- Es werden einige Beispiele für Anwendungen neuronaler Netze, deren Vorteile und Probleme erörtert.
TAG 2 – MASCHINELLES LERNEN
- Das PAC-Lernrahmenwerk
- Garantien für endliche Hypothesenmengen – konsistenter Fall
- Garantien für endliche Hypothesenmengen – inkonsistenter Fall
- Allgemeine Aspekte
- Deterministische im Vergleich zu stochastischen Szenarien
- Bayes-Fehlergeräusch
- Schätzungs- und Approximationsfehler
- Modellselektion
- Rademeacher-Komplexität und VC-Dimension
- Bias-Variance-Trade-off
- Regularisierung
- Überanpassung (Overfitting)
- Validierung
- Support Vector Machines (SVM)
- Kriging (Regression über Gauss-Prozesse)
- PCA und Kernel-PCA
- Selbstorganisierende Karten (SOM)
- Kernel-induzierter Vektorraum
- Mercer-Kerne und kernel-induzierte Ähnlichkeitsmetriken
- Reinforcement Learning
TAG 3 – DEEP LEARNING
Dieser Abschnitt wird im Zusammenhang mit den Themen der Tage 1 und 2 vermittelt
- Logistische Regression und Softmax-Regression
- Sparsame Autoencoder
- Vektorisierung, PCA und Whitening
- Selbstgesteuertes Lernen (Self-Taught Learning)
- Tiefe Netze
- Lineare Decoder
- Konvolution und Pooling
- Sparsame Kodierung (Sparse Coding)
- Unabhängigkeitskomponentenanalyse (ICA)
- Kanonielle Korrelationsanalyse
- Demos und Anwendungen
Voraussetzungen
Gutes Verständnis der Mathematik.
Gutes Verständnis der Grundlagen der 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
