Python - Backpropagation v neuronových sítích

PYTHON_ML_BP
Délka 5 dní
50 ITK bodů
4 termíny
Praha (28 000 Kč)

Brno (28 000 Kč)

Bratislava (1 200 €)
Pokročilý

Backpropagation (zpětné šíření chyby) je algoritmus učení v neuronových sítích, který se používá k adaptaci vah v síti, aby se minimalizovala chyba predikce na výstupu sítě. Proces backpropagationu se skládá ze dvou hlavních kroků. Prvním krokem je dopředné šíření, které spočívá v tom, že vstupní data jsou poslána sítí a vypočítají se výstupy pro každý neuron v síti. Druhým krokem je zpětné šíření chyby, které se používá k přizpůsobení vah sítě na základě vypočtené chyby predikce. V praxi se backpropagation používá pro výpočet gradientu cílové funkce vzhledem ke každému parametru v síti. Tento gradient se pak použije k aktualizaci vah sítě pomocí optimalizační metody, jako je například gradientní sestup. Tím se postupně minimalizuje chyba sítě a zlepšuje se její schopnost predikovat. Backpropagation se používá v různých typech neuronových sítí, včetně vícevrstvých perceptronů, konvolučních sítí a rekurentních sítí. Je to jeden z nejdůležitějších algoritmů ve strojním učení a umožňuje trénovat neuronové sítě, které jsou schopny provádět složité úkoly, jako například rozpoznávání obrazů nebo překládání jazyka. Toto školení by mohlo být vhodné pro středně pokročilé až pokročilé účastníky s předchozími zkušenostmi v programování a základy strojového učení. Větší důraz by měl být kladen na praktická cvičení a vytváření vlastních neuronových sítí.

Znalost programování v Pythonu na úrovni kurzu PYTHON_INTRO, ale znalosti na úrovni kurzu PYTHON_ADV jsou výhodou
Znalosti základů analýzy dat na úrovni kurzu PYTHON_DATAAN
Znalosti základů machine learning na úrovni kurzu PYTHON_ML_INTRO
Znalosti základů neuronových sítí na úrovni kurzu PYTHON_ML_NN
Znalosti základů Backpropagation v neuronových sítích na úrovni kurzu PYTHON_ML_CNN

Odborný výklad s praktickými příklady, cvičení na počítačích.

Prezentace probírané látky v tištěné nebo online formě.

Den 1:

Úvod do strojového učení a neuronových sítí
Dopředné šíření v neuronové síti
Aktivační funkce v neuronové síti
Návrh jednoduché neuronové sítě

Den 2:

Zpětné šíření chyby v neuronové síti
Gradientní sestup a jeho varianty
Výpočet gradientů pro každý parametr sítě
Praktická cvičení pro implementaci backpropagationu

Den 3:

Vícevrstvé neuronové sítě
Trénování sítě pomocí backpropagationu
Řešení problému přetrénování
Praktická cvičení pro trénování vícevrstvých sítí

Den 4:

Konvoluční neuronové sítě a jejich základy
Pooling, konvoluce a strided konvoluce
Návrh a trénování jednoduché konvoluční sítě
Praktické cvičení na konvoluční sítě

Den 5:

Rekurentní neuronové sítě a jejich základy
LSTM a GRU sítě
Návrh a trénování rekurentní sítě
Zhodnocení výsledků a možnosti zlepšení
Praktické cvičení na rekurentní sítě

Stáhnout PDF detail
Stáhnout PDF detail (bez termínů)

Uvedené ceny jsou bez DPH.

Python - Backpropagation v neuronových sítích

GOPAS Praha

GOPAS Brno

GOPAS Bratislava

Obchodní údaje

Python - Backpropagation v neuronových sítích

Předchozí kurzy

Navazující kurzy

GOPAS Praha

GOPAS Brno

GOPAS Bratislava

Obchodní údaje