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 [...]
  • PYTHON_ML_BP
  • Délka 5 dní
  • 50 ITK bodů
  • 0 termínů
  • 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
Aktuální nabídka
Školicí místo
Jazyk kurzu

Uvedené ceny jsou bez DPH.