Programa del Curso

El curso se divide en dos días distintos, y así el primer día puede hacer

sujetos a un solo entrenamiento limitado.

Día 1 - Inteligencia Artificial: Conceptos y Ejemplos
1. Qué es la inteligencia artificial (redes neuronales)?

- La fantasía de la inteligencia artificial y la realidad de hoy.

- algoritmos de tareas VS Intelectual

- Los tipos de tareas: aprendizaje supervisado, no supervisado de aprendizaje, aprendizaje por refuerzo

- Tipo de acciones: clasificación, regresión, clustering, estimación de la densidad, la reducción de dimensionalidad

Inteligencia Colectiva agregando las compartida por muchos agentes virtuales -

- Algoritmos genéticos: evolucionar una población de agentes virtuales de selección

- Máquina de aprendizaje: Presentación y principales algoritmos (XGBoost, Random Bosque)

2. Redes neuronales y el aprendizaje profundo

- ¿Qué es una red neuronal? Presentación de una neurona y neuronas capas lógicas

- ¿Qué entrenamiento de una red neuronal? Superficial profunda VS red, sobreajuste, la convergencia underfit.

- Función aproximado por una red neuronal: presentación y ejemplos

- Distribución aproximada por una red neuronal: presentación y ejemplos

- Generación de representaciones internas en una red neural

- La generalización de los resultados de una red neuronal.

- Revolución aprendizaje profundo: herramientas genéricas y cuestiones

3. Las aplicaciones de aprendizaje profundas

- Clasificación de Datos

o Entender la clasificación de datos en diferentes escenarios: los datos en bruto, imagen, sonido, texto, etc. Entender los problemas de los datos de clasificación y las opciones que intervienen en un modelo de clasificación.

o Presentación herramientas convencionales y clasificación incluidas las redes MLP (Perceptrón multicapa) o CNN (red neuronal convolucional) VS máquinas herramientas learnig (Random Forest, Naive Bayes)

o Presentación de ejemplos de soluciones existentes (por ejemplo, clasificación de imágenes médicas, la historia del cliente, textos escritos por los usuarios, etc.)

o Clustering: caso especial de aprendizaje no supervisado.

- datos secuenciales / tiempo de predicción de la Información y

o Problemas y límites de una información de predicción. Buscar reglas estructurales en los datos que pueden permitir lógica de predicción.

o La predicción como una clasificación o regresión

o Presentación de las herramientas de predicción habituales: RNN (redes neuronales recurrentes), MTSA (memoria a corto plazo largo) o máquina de aprendizaje de lado, ARIMA

o Algunos ejemplos: imágenes de predicción en una secuencia de vídeo. la predicción de la contaminación atmosférica en las zonas urbanas, y otros.

- Procesamiento / Generación de Datos

o ¿Qué es exactamente una transformada dado? ¿Qué barreras, que estacas.

o la operación de re-interpretación de los mismos datos: efectos de-sonido, generación de resúmenes textuales, segmentación de imágenes

operación o procesamiento en el mismo formato: traducción de texto de un idioma a otro (breve presentación de la máquina de Arquitectura traducción de Google), super-resolución

o la operación de generación de datos "original": el estilo de los nervios, de super-resolución de generación de imágenes de las presentaciones de texto

- Refuerzo de aprendizaje: entorno de control

O profundo refuerzo Presentación de Aprendizaje

o La experiencia de reproducción y juegos de aprendizaje de una red neuronal

o Las solicitudes: el control de simulaciones numéricas, coche automático, robótica

Día 2 - Herramientas e implementación de un proyecto de AI
'Tipos' Dos sujetos se eligen con los estudiantes para aplicar todos los principios descritos en este día para estos estudios de casos.

4. Qué problemas podemos tratar con la máquina de aprendizaje / profundamente?

- Estado de los datos: volumetría, dimensionamiento, clases de equilibrio, descripción. (La maldición de la dimensionalidad, No Free Lunch teorema)

- características de datos VS bruto trabajaron: qué elegir?

- VS Machine Learning profundo de aprendizaje: Al preferir la mayor algoritmos de aprendizaje de máquinas con las redes neuronales?

- calificar el problema sin supervisión aprendizaje? Aprendizaje supervisado?

- cualificar la solución de un problema incluyen la distancia entre una declaración y el resultado de un algoritmo.

5. Ejecución de un proyecto, paso 1: Generar conjunto de datos

- ¿Qué es un conjunto de datos? Lo que separa a una base de datos común?

- Acumular y datos de control: significa monitor, limpieza o convertir los datos sin prohíben dar marcha atrás.

- Comprender los datos: la representación de algunas herramientas estadísticas para un primer vistazo de un dado, su distribución, su comportamiento aberrante ...

- Dar formato a una dada: decidir un formato de entrada y salida, para enlazar con la calificación del problema.

- Preparar los datos: definir set Sistema de tren y validación del conjunto de prueba. Establecer una estructura para asegurar que los algoritmos utilizados son realmente relevantes (o no)

6. Ejecución de un proyecto Paso 2: iteraciones sucesivas

- Metodología para avanzar en la búsqueda de una mejor solución a un problema ML / DL

- La elección de una dirección de investigación, la ubicación de las publicaciones existentes o proyectos similares

- iteraciones sucesivas desde los más simples a los algoritmos de arquitecturas complejas

- Mantenimiento de un banco comparación transversal

- Grupo y el swing de un conjunto de soluciones para la solución óptima

7. Aplicación de un proyecto, paso 3: la industrialización

- ¿Qué herramientas existen hoy en día? ¿Qué herramientas para la investigación y qué herramientas para la industria? De Keras / lasaña Caffe través de la antorcha, Teano, Tensorflow o Apache Hadoop o Spark

- industrializar una red neuronal proporcionando estricta supervisión de sus procesos y el control continuo

- Establecimiento de reaprendizaje sucesivos para mantener una óptima y la red.

- Formar a los usuarios en la comprensión de la red y su uso adecuado.

Requerimientos

La gestión de un proyecto digital

Público: gestión "público en general" o la dirección de obra no calificada en la informática o proyecto matemáticas.

Tipo: teoría y aplicaciones decidió aguas arriba con los estudiantes.

Método de enseñanza: estudios de presentación, de intercambio y de casos.

  14 horas
 

Número de participantes


Comienza

Termina


Las fechas están sujetas a disponibilidad y tienen lugar entre 09:30 y 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Cursos Relacionados

Torch: Introducción a Máquina y Aprendizaje Profundo

  21 horas

Categorías Relacionadas