Cursusaanbod
DAG 1 - KUNSTMATIGE NEURALE NETWERKEN
Inleiding en structuur van ANNs.
- Biologische en kunstmatige neuronen.
- Model van een ANN.
- Actiefuncties gebruikt in ANNs.
- Typische klassen van netwerkarchitecturen.
Wiskundige grondslagen en leermecanismen.
- Herhaling van vector- en matrixalgebra.
- Concepten van staat-ruimte.
- Concepten van optimalisatie.
- Foutcorrectielearning.
- Geheugengebaseerd leren.
- Hebbiaans leren.
- Concurrerend leren.
Enkellaagse perceptrons.
- Structuur en leren van perceptrons.
- Patroonklassificator - inleiding en Bayes-classificatoren.
- Perceptron als patroonklassificator.
- Convergentie van het perceptron.
- Beperkingen van een perceptron.
Feedforward ANN.
- Structuren van multi-laagse feedforward-netwerken.
- Backpropagation-algoritme.
- Backpropagation - training en convergentie.
- Functionele benadering met backpropagation.
- Praktische en ontwerpaspecten van backpropagationlearning.
Radiale Basis Functie Netwerken.
- Patroon-scheidbaarheid en interpolatie.
- Theorie van regularisatie.
- Regularisatie en RBF-netwerken.
- Ontwerp en training van RBF-netwerken.
- Benaderingskenmerken van RBF.
Concurrerend leren en zelforganiserende ANNs.
- Algemene clustermethodes.
- Learning Vector Quantization (LVQ).
- Concurrerende leer-algoritmen en -architecturen.
- Zelforganiserende kenkaarten.
- Eigenschappen van kenkaarten.
Vagge Neurale Netwerken.
- Neuro-vagge systemen.
- Achtergrond van vagge sets en logica.
- Ontwerp van vagge systemen.
- Ontwerp van vagge ANNs.
Toepassingen
- Een aantal voorbeelden van toepassingen van neurale netwerken, hun voordelen en problemen, zullen worden besproken.
DAG 2 - MACHINE LEARNING
- Het PAC-Leerframework
- Gewaarborgdheden voor eindige hypotheseverzameling – consistent geval
- Gewaarborgdheden voor eindige hypotheseverzameling – inconsistent geval
- Algemeneringen
- deterministisch vs. stochastische scenario’s
- Bayes-foutruis
- Schattings- en benaderingsfouten
- Modelselectie
- Rademacher-complexiteit en VC-dimensie
- Bias-variantie afweging
- Regularisatie
- Overfitting
- Validatie
- Steenmachines
- Kriging (gaussische processregressie)
- PCA en Kernel PCA
- Zelforganiserende kaarten (SOM)
- Kern-geïnduceerde vectorruimte
- Mercer-kernen en kern-geïnduceerde similariteitsmaten
- Versterkt leren
DAG 3 - DIEPE LEER
Dit wordt onderwezen in relatie tot de onderwerpen van Dag 1 en Dag 2
- Logistische en Softmax regressie
- Sparrijke auto-encoders
- Vectorisatie, PCA en witting
- Zelfgestuurd leren
- Diepe netwerken
- Lineaire decoders
- Convolutie en pooling
- Spars coding
- Onafhankelijke componentenanalyse
- Canonieke correlatie-analyse
- Demo’s en toepassingen
Vereisten
Goed inzicht in wiskunde.
Goed inzicht in basisstatistiek.
Basisprogrammeerkennis is niet vereist, maar wel aan te raden.
Getuigenissen (2)
Werken op basis van eerste principes op een gefocuste manier, en overgaan naar het toepassen van casestudies binnen dezelfde dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Automatisch vertaald
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
Cursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Automatisch vertaald
