Python - Backpropagation v neuronových sítích

PYTHON_ML_BP
Délka 5 dní
50 ITK bodů
3 termíny
ČR (28 000 Kč)

SR (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.

Školení na míru

Nenašli jste vhodný termín, nebo chcete školení přizpůsobit specifickým potřebám vašeho týmu? Rádi pro vás připravíme školení na míru.

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