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
Kursus ini dipisahkan menjadi tiga hari berbeda, hari ketiga bersifat opsional.
Hari 1 - Machine Learning & Deep Learning: konsep teoritis
1. Pengenalan AI, Machine Learning & Deep Learning
- Sejarah, konsep dasar dan penerapan kecerdasan buatan yang biasa jauh dari fantasi yang dibawa oleh bidang ini
- Kecerdasan kolektif: pengetahuan agregat yang dibagikan oleh banyak agen virtual
- Algoritma genetika: mengembangkan populasi agen virtual melalui seleksi
- Machine Learning biasa: definisi.
- Jenis tugas: pembelajaran yang diawasi, pembelajaran tanpa pengawasan, pembelajaran penguatan
- Jenis tindakan: klasifikasi, regresi, pengelompokan, estimasi kepadatan, pengurangan dimensi
- Contoh algoritma Machine Learning : Regresi linier, Naive Bayes, Random Tree
- Pembelajaran mesin VS Deep Learning: masalah yang Machine Learning tetap menjadi yang tercanggih saat ini (Random Forests & XGBoosts)
2. Konsep dasar jaringan saraf tiruan (Aplikasi: perceptron multi-layer)
- Pengingat dasar-dasar matematika.
- Definisi jaringan saraf: arsitektur klasik, fungsi aktivasi dan pembobotan aktivasi sebelumnya, kedalaman jaringan
- Definisi mempelajari jaringan saraf: fungsi biaya, propagasi balik, penurunan gradien stokastik, kemungkinan maksimum.
- Pemodelan jaringan saraf: pemodelan data input dan output sesuai dengan jenis masalahnya (regresi, klasifikasi, dll). Kutukan dimensi. Perbedaan antara data multi-fitur dan sinyal. Pilihan fungsi biaya berdasarkan data.
- Perkiraan fungsi menggunakan jaringan saraf: presentasi dan contoh
- Mendekati distribusi menggunakan jaringan saraf: presentasi dan contoh
- Augmentasi Data: cara menyeimbangkan kumpulan data
- Generalisasi hasil jaringan saraf.
- Inisialisasi dan regularisasi jaringan saraf: regularisasi L1/L2, Normalisasi Batch...
- Optimasi dan algoritma konvergensi.
3. Alat ML/DL umum
Sebuah presentasi sederhana dengan kelebihan, kekurangan, posisi dalam ekosistem dan kegunaan direncanakan.
- Alat manajemen data: Apache Spark, Apache Hadoop
- Alat umum Machine Learning: Numpy, Scipy, Sci-kit
- Kerangka kerja DL tingkat tinggi: PyTorch, Keras, Lasagna
- Kerangka kerja DL tingkat rendah: Theano, Torch, Caffe, Tensorflow
Hari 2 – Jaringan Konvolusional dan Berulang
4. Konvolusional Neural Networks (CNN).
- Presentasi CNN: prinsip dasar dan aplikasi
- Fungsi dasar CNN: lapisan konvolusional, penggunaan kernel, padding & langkah, pembuatan peta fitur, lapisan tipe 'penggabungan'. Ekstensi 1D, 2D dan 3D.
- Presentasi berbagai arsitektur CNN yang menghadirkan seni klasifikasi gambar: LeNet, VGG Networks, Network in Network, Inception, Resnet. Presentasi inovasi yang dibawa oleh setiap arsitektur dan aplikasinya yang lebih global (Konvolusi 1x1 atau koneksi sisa)
- Penggunaan model perhatian.
- Aplikasi untuk skenario klasifikasi biasa (teks atau gambar)
- CNN untuk generasi: resolusi super, segmentasi piksel demi piksel. Presentasi strategi utama untuk menambah peta fitur untuk menghasilkan gambar.
5. Berulang Neural Networks (RNN).
- Presentasi RNN: prinsip dasar dan aplikasi.
- Pengoperasian dasar RNN: aktivasi tersembunyi, propagasi balik sepanjang waktu, versi terbuka.
- Perkembangan menuju GRU (Gated Recurrent Units) dan LSTM (Long Short Term Memory). Presentasi dari berbagai negara bagian dan perkembangan yang dibawa oleh arsitektur ini
- Masalah konvergensi dan gradien hilang
- Jenis arsitektur klasik: Prediksi deret waktu, klasifikasi...
- Arsitektur tipe Decoder Encoder RNN. Menggunakan model perhatian.
- Aplikasi NLP: pengkodean kata/karakter, terjemahan.
- Aplikasi Video: prediksi gambar urutan video yang dihasilkan berikutnya.
Hari 3 - Model generasi dan Reinforcement Learning
6. Model generasi: Variational AutoEncoder (VAE) dan Generative Adversarial Networks (GAN).
- Presentasi model generasi, tautan dengan CNN yang dilihat pada hari ke-2
- Pengodean otomatis: pengurangan dimensi dan pembuatan terbatas
- Variational Auto-encoder: model generasi dan perkiraan distribusi data. Definisi dan penggunaan ruang laten. Trik reparameterisasi. Aplikasi dan batasan yang diamati
- Jaringan Adversarial Generatif: prinsip dasar. Arsitektur dua jaringan (generator dan diskriminator) dengan pembelajaran bergantian, fungsi biaya tersedia.
- Konvergensi GAN dan kesulitan yang dihadapi.
- Peningkatan konvergensi: Wasserstein GAN, BeGAN. Jarak Pergerakan Bumi.
- Aplikasi untuk menghasilkan gambar atau foto, menghasilkan teks, super
resolusi.
7. Dalam Reinforcement Learning.
- Presentasi pembelajaran penguatan: kontrol agen dalam lingkungan yang ditentukan oleh keadaan dan tindakan yang mungkin dilakukan
- Menggunakan jaringan saraf untuk memperkirakan fungsi keadaan
- Pembelajaran Deep Q: pengalaman memutar ulang, dan aplikasi untuk mengontrol video game.
- Optimalisasi kebijakan pembelajaran. Sesuai kebijakan && di luar kebijakan. Aktor arsitektur kritis. A3C.
- Aplikasi: kontrol video game sederhana atau sistem digital.
Requirements
Tingkat insinyur
21 Hours
