Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
HARI 1 - JARINGAN SARAF BUATAN
Pendahuluan dan Struktur ANN.
- Bioneuron logis dan neuron buatan.
- Model ANN.
- Fungsi aktivasi yang digunakan dalam ANN.
- Kelas khas arsitektur jaringan.
Mathematical Landasan dan Mekanisme Pembelajaran.
- Mengunjungi kembali aljabar vektor dan matriks.
- Konsep ruang negara.
- Konsep optimasi.
- Pembelajaran koreksi kesalahan.
- Pembelajaran berbasis memori.
- Pembelajaran Hebbian.
- Pembelajaran kompetitif.
Perceptron lapisan tunggal.
- Struktur dan pembelajaran perceptron.
- Pengklasifikasi pola - pengenalan dan pengklasifikasi Bayes.
- Perceptron sebagai pengklasifikasi pola.
- Konvergensi perceptron.
- Keterbatasan perceptron.
ANN umpan maju.
- Struktur jaringan feedforward multi-layer.
- Algoritma propagasi balik.
- Propagasi balik - pelatihan dan konvergensi.
- Pendekatan fungsional dengan propagasi balik.
- Masalah praktis dan desain pembelajaran propagasi balik.
Jaringan Fungsi Basis Radial.
- Pemisahan pola dan interpolasi.
- Teori Regularisasi.
- Regularisasi dan jaringan RBF.
- Desain dan pelatihan jaringan RBF.
- Sifat perkiraan RBF.
Pembelajaran Kompetitif dan Pengorganisasian Mandiri ANN.
- Prosedur pengelompokan umum.
- Pembelajaran Kuantisasi Vektor (LVQ).
- Algoritma dan arsitektur pembelajaran kompetitif.
- Peta fitur yang dapat diatur sendiri.
- Properti peta fitur.
Kabur Neural Networks.
- Sistem neuro-fuzzy.
- Latar belakang himpunan fuzzy dan logika.
- Desain batang kabur.
- Desain ANN fuzzy.
Aplikasi
- Akan dibahas sedikit contoh aplikasi Neural Network, kelebihan dan permasalahannya.
PEMBELAJARAN MESIN HARI -2
- Kerangka Pembelajaran PAC
- Jaminan untuk kumpulan hipotesis terbatas – kasus yang konsisten
- Jaminan untuk kumpulan hipotesis terbatas – kasus yang tidak konsisten
- Umum
- CV deterministik. Skenario stokastik
- Suara kesalahan Bayes
- Kesalahan estimasi dan perkiraan
- Pemilihan model
- Kompleksitas Radmeacher dan VC – Dimensi
- Bias - Pertukaran varians
- Regularisasi
- Terlalu pas
- Validasi
- Mendukung Mesin Vektor
- Kriging (Regresi Proses Gaussian)
- PCA dan PCA Kernel
- Peta Organisasi Mandiri (SOM)
- Ruang vektor yang diinduksi kernel
- Kernel Mercer dan Kernel - metrik kesamaan yang diinduksi
- Reinforcement Learning
HARI 3 - PEMBELAJARAN MENDALAM
Hal ini akan diajarkan sehubungan dengan topik yang dibahas pada Hari 1 dan Hari 2
- Regresi Logistik dan Softmax
- Autoencoder Jarang
- Vektorisasi, PCA dan Pemutihan
- Pembelajaran Otodidak
- Jaringan Dalam
- Dekoder Linier
- Konvolusi dan Pengumpulan
- Pengkodean Jarang
- Analisis Komponen Independen
- Analisis Korelasi Kanonik
- Demo dan Aplikasi
Requirements
Gopemahaman yang baik tentang matematika.
Gopemahaman yang baik tentang statistik dasar.
Keterampilan pemrograman dasar tidak diperlukan tetapi disarankan.
21 Hours
Testimonials (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
Course - 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.
