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
Dag 1:
Basis Machine Learning
Module 1
Invoering:
- Oefening – Installeren van Python en NN-bibliotheken
- Waarom machinaal leren?
- Korte geschiedenis van machinaal leren
- De opkomst van diep leren
- Basisconcepten in machinaal leren
- Een classificatieprobleem visualiseren
- Beslisgrenzen en beslisgebieden
- iPython notitieboekjes
Module-2
- Oefening – Beslissingsregio's
- Het kunstmatige neuron
- Het neurale netwerk, voorwaartse voortplanting en netwerklagen
- Activeringsfuncties
- Oefening – Activeringsfuncties
- Terugpropagatie van fouten
- Onderfitting en overfitting
- Interpolatie en afvlakking
- Extrapolatie en data-abstractie
- Generalisatie in machinaal leren
Module-3
- Oefening – Onderfitting en overfitting
- Trainings-, test- en validatiesets
- Databias en het negatieve voorbeeldprobleem
- Afweging van bias/variantie
- Oefening – Datasets en bias
Module-4
- Overzicht van NN-parameters en hyperparameters
- Logistieke regressieproblemen
- Kostenfuncties
- Voorbeeld – Regressie
- Klassieke machine learning versus deep learning
- Conclusie
Dag 2: Convolutioneel Neural Networks (CNN)
Module-5
- Introductie tot CNN
- Wat zijn CNN's?
- Computer visie
- CNN's in het dagelijks leven
- Afbeeldingen – pixels, kwantisering van kleur en ruimte, RGB
- Convolutievergelijkingen en fysieke betekenis, continu versus discreet
- Oefening – 1D-convolutie
Module-6
- Theoretische basis voor filtering
- Signaal als som van sinusoïden
- Frequentie spectrum
- Banddoorlaatfilters
- Oefening – Frequentiefiltering
- 2D convolutionele filters
- Vulling en paslengte
- Filter als banddoorlaat
- Filter als sjabloonmatching
- Oefening – Randdetectie
- Gabor-filters voor gelokaliseerde frequentieanalyse
- Oefening – Gabor-filters als laag 1-kaarten
Module-7
- CNN-architectuur
- Convolutionele lagen
- Max. poolinglagen
- Downsampling-lagen
- Recursieve gegevensabstractie
- Voorbeeld van recursieve abstractie
Module-8
- Oefening – Basis CNN-gebruik
- ImageNet-dataset en het VGG-16-model
- Visualisatie van featurekaarten
- Visualisatie van functiebetekenissen
- Oefening – Kenmerkkaarten en kenmerkbetekenissen
Dag 3: Sequentiemodel
Module-9
- Wat zijn sequentiemodellen?
- Waarom sequentiemodellen?
- Gebruiksscenario voor taalmodellering
- Reeksen in de tijd versus reeksen in de ruimte
Module-10
- RNN's
- Terugkerende architectuur
- Terugpropagatie door de tijd
- Verdwijnende gradiënten
- GRU
- LSTM
- Diep RNN
- Bidirectionele RNN
- Oefening – Unidirectioneel versus bidirectioneel RNN
- Bemonsteringssequenties
- Voorspelling van reeksuitvoer
- Oefening – Voorspelling van reeksuitvoer
- RNN's op eenvoudige tijdsvariërende signalen
- Oefening – Basisgolfvormdetectie
Module-11
- Natural Language Processing (NLP)
- Word inbedding
- Word vectoren: woord2vec
- Word vectoren: GloVe
- Kennisoverdracht en woordinbedding
- Sentiment analyse
- Oefening – Sentiment Analysis
Module-12
- Kwantificering en verwijdering van vooroordelen
- Oefening – Vooroordelen verwijderen
- Audiogegevens
- Straal zoeken
- Aandachtsmodel
- Spraakherkenning
- Activeer woorddetectie
- Oefening – Speech Recognition
Requirements
Er zijn geen specifieke vereisten om aan deze cursus deel te nemen.
21 Hours