Základy hlubokého učení
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
B0B33DPL | Z,ZK | 6 | 2P+2C | česky |
- Vztahy:
- Předmět B0B33DPL nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BECM33DPL (vztah je symetrický)
- Předmět B0B33DPL může být splněn v zastoupení předmětem BECM33DPL
- Garant předmětu:
- Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra kybernetiky
- Anotace:
-
Kurz představuje hluboké neuronové sítě a hluboké učení jako jednou z oblastí strojového učení a umělé inteligence.
Úvodem představuje základní pojmy strojového učení (minimalizace empirického rizika, lineární klasifikátory a
regrese, meze zobecnění). Následně jsou představeny sítě jako třídy modelů pro predikci (klasifikaci) a regresi společně
se složitostí jejich modelů a meze zobecnění. Cílem kurzu je důkladné pochopení konceptů a algoritmů potřebných
k úspěšnému návrhu, implementaci a učení hlubokých sítí v aplikacích strojového učení. To zahrnuje metody zpětného
šíření chyb a stochastického gradientu, inicializaci a normalizaci vah, deterministické a stochastické metody
regularizace, rozšiřování dat a také nepříznivě odolné přístupy k učení. Kurz je zakončen úvodní diskusí o generativních
neuronových sítích (VAE a GAN) a rekurentních neuronových sítích (GRU a LSTM) pro klasifikaci strukturovaných
výstupů. Studující získají znalosti souvisejících metod a konceptů i praktické dovednosti potřebné pro úspěšný návrh,
implementaci a učení hlubokých sítí v aplikacích strojového učení. Kurz poskytuje základ pro specifické aplikace, např.
v počítačového vidění, využívající specializované a často složitější varianty neuronových sítí, ztrátových funkcí a
učebních přístupů.
Předmět může být vyučován v anglickém jazyce.
- Požadavky:
- Osnova přednášek:
-
1. Lineární klasifikátory, lineární regrese, logistická regrese, ztrátová funkce Empirická minimalizace rizika,
regularizace.
2. Umělé neuronové sítě, aktivační funkce, síťové architektury, a dopředné neuronové sítě.
3. Neuronové sítě jako klasifikátory, empirická minimalizace rizika, ztrátové funkce, složitost modelu a meze
zobecnění; neuronové sítě jako nelineární regresní modely, ztrátové funkce.
4. Zpětné šíření, zjednodušení/modularizace pro vrstevnaté sítě.
5. Metoda gradietního sestup a stochastický gradientní sestup (SGD).
6. Konvoluční neuronové sítě, architektury, příklady použití, předtrénování a ladění neuronových sítí.
7. Rekurentní neuronové sítě (RNN), Long Short-Term Memory (LSTM), Autoenkodér, obousměrné a hluboké
rekurentní sítě.
8. Trénování neuronových sítí: Průběh projektu, sběr dat, trénovací/validační/testovací množina, výběr modelu
(architektury), overfitting, včasné zastavení.
9. Trénování neuronových sítí 1: předzpracování dat, inicializace vah, dávková normalizace
10. Trénování neuronových sítí 2: adaptivní metody SGD.
11. Trénování neuronových sítí 3: regularizace, regularizace vah L1/L2, náhodné prediktory, výpadek, rozšíření
dat (data augmentation).
12. Trénování neuronových sítí 4: nepříznivé vzory, robustní přístupy k učení.
13. Generativní modely: Generativní sítě: VAE, GAN (úvodní úroveň).
14. Rezerva, další neprobraná témata, např. grafové neuronové sítě, konvoluce na grafech.
- Osnova cvičení:
-
Cvičení jsou orientované na praktické ověření teoretických konceptů společně s konzultacemi řešení domácích úkolů,
ve kterých mají studující možnost implementovat metody diskutované v kurzu a experimentovat s nimi.
- Cíle studia:
-
Cílem kurzu je poskytnout příslušné algoritmické a teoretické koncepty potřebné pro úspěšný návrh a trénování
(hlubokých) neuronových sítí. Současně poskytuje technické a praktické dovednosti v této oblasti.
- Studijní materiály:
-
Goodfellow, Y. Bengio and A. Courville, Deep Learning, MIT Press, 2016.
- Poznámka:
- Další informace:
- Pro tento předmět se rozvrh nepřipravuje
- Předmět je součástí následujících studijních plánů: