Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
- Overzicht van neurale netwerken en diepe leer
- Het concept van Machine Learning (ML)
- Waarom hebben we neurale netwerken en diepe leer nodig?
- Netwerken selecteren voor verschillende problemen en datatypen
- Neurale netwerken leren en valideren
- Logistische regressie vergelijken met neurale netwerken
- Neuraal netwerk
- Biologische inspiraties voor neurale netwerken
- Neurale netwerken – Neuron, Perceptron en MLP (Multilayer Perceptron model)
- MLP leren – backpropagatie-algoritme
- Activeringsfuncties – lineair, sigmoid, Tanh, Softmax
- Verliesfuncties geschikt voor voorspelling en classificatie
- Parameters – leersnelheid, regularisatie, momentum
- Neurale netwerken bouwen in Python
- De prestaties van neurale netwerken in Python evalueren
- Basisprincipes van diepe netwerken
- Wat is diepe leer?
- Architectuur van diepe netwerken – parameters, lagen, activeringsfuncties, verliesfuncties, oplossers
- Restricted Boltzmann Machines (RBMs)
- Autoencoders
- Architecturen van diepe netwerken
- Deep Belief Networks (DBN) – architectuur, toepassing
- Autoencoders
- Restricted Boltzmann Machines
- Convolutional Neural Network
- Recursive Neural Network
- Recurrent Neural Network
- Overzicht van bibliotheken en interfaces beschikbaar in Python
- Caffe
- Theano
- Tensorflow
- Keras
- Mxnet
- De juiste bibliotheek voor een probleem kiezen
- Diepe netwerken bouwen in Python
- De juiste architectuur kiezen voor een gegeven probleem
- Hybride diepe netwerken
- Netwerk leren – juiste bibliotheek, architectuurdefinitie
- Netwerk aanpassen – initialisatie, activeringsfuncties, verliesfuncties, optimalisatiemethode
- Overfitting voorkomen – overfittingproblemen in diepe netwerken detecteren, regularisatie
- Diepe netwerken evalueren
- Casestudies in Python
- Afbeeldingsherkenning – CNN
- Afwijkingen detecteren met Autoencoders
- Tijdreeksen voorspellen met RNN
- Dimensionele reductie met Autoencoder
- Classificatie met RBM
Vereisten
Kennis/waardering van machine learning, systeemarchitectuur en programmeertalen zijn wenselijk
14 Uren
Getuigenissen (1)
De aanpassing van de exos aan onze context en het meenemen van onze vraag
Amel Guetat - EURO-INFORMATION DEVELOPPEMENTS
Cursus - Fraud Detection with Python and TensorFlow
Automatisch vertaald
