Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
De cursus is opgedeeld in drie verschillende 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 verwijderd van de fantasieën die door dit vakgebied worden gedragen
- Collectieve intelligentie: geaggregeerde kennis gedeeld door talloze virtuele agenten
- Genetische algoritmen: het ontwikkelen van een populatie van virtuele agenten door selectie
- Machine Learning gebruikelijk: definitie.
- Types de tâches: begeleid leren, onbegeleid leren, versterkend leren
- Soorten acties: classificatie, regressie, clustering, schatting van de dichtheid, vermindering van de dimensionaliteit
- Voorbeelden van algoritmen Machine Learning: Lineaire regressie, Naive Bayes, Random Tree
- Machine learning VS Deep Learning: problemen waarvoor Machine Learning vandaag de dag nog steeds de stand van zaken is (Random Forests & XGBoosts)
2. Fundamentele concepten van een neuraal netwerk (Toepassing: meerlaagse perceptron)
- Herinnering aan wiskundige basisprincipes.
- Definitie van een neuraal netwerk: klassieke architectuur, activerings- en wegingsfuncties van eerdere activeringen, diepte van een netwerk
- Definitie van het leren van een neuraal netwerk: kostenfuncties, back-propagatie, stochastische gradiëntdaling, maximale waarschijnlijkheid.
- Modellering van een neuraal netwerk: modellering van invoer- en uitvoergegevens volgens het type probleem (regressie, classificatie, enz.). Vloek van de dimensionaliteit. Onderscheid tussen gegevens met meerdere functies en signaal. Keuze van een kostenfunctie op basis van de gegevens.
- Benader een functie met behulp van een neuraal netwerk: presentatie en voorbeelden
- Benadering van een distributie met behulp van een neuraal netwerk: presentatie en voorbeelden
- Data-augmentatie: hoe breng je een dataset in balans
- Generalisatie van de resultaten van een neuraal netwerk.
- Initialisaties en regularisaties van een neuraal netwerk: L1/L2-regularisatie, Batch-normalisatie...
- Optimalisaties en convergentie-algoritmen.
3. Algemene ML/DL-tools
Er is een eenvoudige presentatie gepland met voordelen, nadelen, positie in het ecosysteem en gebruik.
- Hulpmiddelen voor gegevensbeheer: Apache Spark, Apache Hadoop
- Gebruikelijke hulpmiddelen Machine Learning: Numpy, Scipy, Sci-kit
- Frameworks DL vandaag 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, opvulling & stride, genereren van feature maps, 'pooling'-type lagen. 1D-, 2D- en 3D-extensies.
- Presentatie van de verschillende CNN-architecturen die de nieuwste stand van de techniek op het gebied van beeldclassificatie hebben gebracht: LeNet, VGG Networks, Network in Network, Inception, Resnet. Presentatie van de innovaties die elke architectuur met zich meebrengt en hun meer globale toepassingen (1x1 convolutie of resterende verbindingen)
- Gebruik van een aandachtsmodel.
- Toepassing op een gebruikelijk classificatiescenario (tekst of afbeelding)
- CNN's voor generatie: superresolutie, pixel-voor-pixel segmentatie. Presentatie van de belangrijkste strategieën voor het uitbreiden van feature maps voor het genereren van een afbeelding.
5. Terugkerend Neural Networks (RNN).
- Presentatie van RNN's: fundamentele principes en toepassingen.
- Fonctionnement fondamental du RNN: verborgen activering, voortplanting door de tijd, uitgevouwen versie.
- Ontwikkelingen richting GRU (Gated Recurrent Units) en LSTM (Long Short Term Memory). Presentatie van de verschillende toestanden en de ontwikkelingen die deze architecturen teweegbrengen
- Convergentie- en verdwijnende gradiëntproblemen
- Soorten klassieke architecturen: voorspelling van een tijdreeks, classificatie...
- RNN Encoder Architectuur van het decodertype. Het gebruik van een aandachtsmodel.
- Toepassingen NLP: woord-/tekencodering, vertaling.
- Videotoepassingen: voorspelling van het volgende gegenereerde beeld 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 op dag 2
- Auto-encode: dimensionaliteitsreductie en beperkte generatie
- Variationele auto-encoder: generatiemodel en benadering van de distributie van gegevens. Definitie en gebruik van latente ruimte. Truc voor het opnieuw parametriseren. Toepassingen en waargenomen limieten
- Generatieve vijandige netwerken: fundamentele principes. Architectuur met twee netwerken (generator en discriminator) met afwisselend leren, kostenfuncties beschikbaar.
- Convergentie van een GAN en ondervonden moeilijkheden.
- Verbeterde convergentie: Wasserstein GAN, BeGAN. Aardeverplaatsingsafstand.
- Toepassingen voor het genereren van afbeeldingen of foto's, het genereren van tekst, superresolutie.
7. Diep Reinforcement Learning.
- Presentatie van versterkend leren: controle van een agent in een omgeving gedefinieerd door een staat en mogelijke acties
- Gebruik van een neuraal netwerk om de toestandsfunctie te benaderen
- Deep Q Learning: ervaar herhaling en toepassing op de besturing van een videogame.
- Optimalisaties van het leerbeleid. Binnen het beleid en& buiten het beleid. Acteur kritische architectuur. A3C.
- Toepassingen: besturing van een eenvoudig videospel of een digitaal systeem.
Requirements
Ingenieur niveau
21 Hours
