Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Eğitim İçeriği
1. GÜN - YAPAY SİNİR AĞLARI
Giriş ve YSA Yapısı.
- BioMantıksal nöronlar ve yapay nöronlar.
- Bir YSA Modeli.
- YSAlarda kullanılan aktivasyon fonksiyonları.
- Tipik ağ mimarisi sınıfları.
MathematicaTemel Kavramlar ve Öğrenme Mekanizmaları.
- Vektör ve matris cebirinin tekrar gözden geçirilmesi.
- Durum uzayı kavramları.
- Optimizasyon kavramları.
- Hata düzeltme öğrenimi.
- Belleğe dayalı öğrenme.
- Hebbian öğrenimi.
- Rekabetçi öğrenme.
Tek Katmanlı Algılayıcılar.
- Algılayıcıların yapısı ve öğrenimi.
- Desen sınıflandırıcı - giriş ve Bayes sınıflandırıcıları.
- Algılayıcı olarak desen sınıflandırıcı.
- Algılayıcı yakınsaması.
- Algılayıcıların sınırlamaları.
İleri Beslemeli YSA.
- Çok katmanlı ileri beslemeli ağların yapıları.
- Geri yayılım algoritması.
- Geri yayılım - eğitim ve yakınsama.
- Geri yayılım ile fonksiyon yaklaşımı.
- Geri yayılım öğreniminin pratik ve tasarım sorunları.
Radyal Tabanlı Fonksiyon Ağları.
- Desen ayrılabilirliği ve interpolasyon.
- Düzenlileştirme Teorisi.
- Düzenlileştirme ve RBF ağları.
- RBF ağ tasarımı ve eğitimi.
- RBF'nin yaklaşım özellikleri.
Rekabetçi Öğrenme ve Kendini Organize Eden YSA.
- Genel kümeleme prosedürleri.
- Öğrenen Vektör Nicemleme (ÖVN).
- Rekabetçi öğrenme algoritmaları ve mimarileri.
- Kendini organize eden özellik haritaları.
- Özellik haritalarının özellikleri.
Bulanık Neural Networks.
- Nöro-bulanık sistemler.
- Bulanık kümeler ve mantığın temelleri.
- Bulanık sapların tasarımı.
- Bulanık YSA'ların tasarımı.
Uygulamalar
- Birkaç Yapay Sinir Ağı uygulaması örneği, avantajları ve sorunları tartışılacaktır.
2. GÜN - MAKİNE ÖĞRENMESİ
- PAC Öğrenme Çerçevesi
- Sonlu hipotez seti için garantiler – tutarlı durum
- Sonlu hipotez seti için garantiler – tutarsız durum
- Genellemeler
- Deterministik ve stokastik senaryolar
- Bayes hatası gürültüsü
- Tahmin ve yaklaşım hataları
- Model seçimi
- Radmeacher Karmaşıklığı ve VC – Boyutu
- Önyargı - Varyans dengesi
- Düzenlileştirme
- Aşırı uyum
- Doğrulama
- Destek Vektör Makineleri
- Kriging (Gauss Süreci regresyonu)
- PCA ve Çekirdek PCA
- Kendinden Organize Olan Haritalar (SOM)
- Çekirdek kaynaklı vektör uzayı
- Mercer Çekirdekleri ve Çekirdek kaynaklı benzerlik ölçütleri
- Reinforcement Learning
3. GÜN - DERİN ÖĞRENME
Bu, 1. ve 2. Günlerde ele alınan konularla ilişkili olarak öğretilecektir
- Lojistik ve Softmax Regresyonu
- Seyrek Otomatik Kodlayıcılar
- Vektörleştirme, PCA ve Beyazlatma
- Kendi Kendine Öğrenme
- Derin Ağlar
- Doğrusal Kod Çözücüler
- Evrişim ve Havuzlama
- Seyrek Kodlama
- Bağımsız Bileşen Analizi
- Kanonik Korelasyon Analizi
- Demolar ve Uygulamalar
Kurs İçin Gerekli Önbilgiler
Good matematik bilgisi.
Good temel istatistik bilgisi.
Temel programlama becerileri gerekli olmamakla birlikte önerilir.
21 Saat
Danışanlarımızın Yorumları (2)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Eğitim - Artificial Neural Networks, Machine Learning, Deep Thinking
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
