Kerangka Materi
HARI 1 - JARINGAN SARAF TIRUAN
Pengenalan dan Struktur ANN.
- Neuron biologis dan neuron tiruan.
- Model ANN.
- Fungsi aktivasi yang digunakan dalam ANN.
- Kelas tipikal arsitektur jaringan.
Landasan Matematis dan Mekanisme Pembelajaran.
- Peninjauan kembali aljabar vektor dan matriks.
- Konsep ruang keadaan (state-space).
- Konsep optimasi.
- Pembelajaran koreksi kesalahan (error-correction).
- Pembelajaran berbasis memori.
- Pembelajaran Hebbian.
- Pembelajaran kompetitif.
Peron Lapisan Tunggal.
- Struktur dan pembelajaran peron.
- Klasifikator pola - pengenalan dan klasifikator Bayes.
- Peron sebagai klasifikator pola.
- Konvergensi peron.
- Batasan peron.
ANN Feedforward.
- Struktur jaringan feedforward multi-lapis.
- Algoritma backpropagation.
- Backpropagation - pelatihan dan konvergensi.
- Aproksimasi fungsional dengan backpropagation.
- Isu praktis dan desain pembelajaran backpropagation.
Jaringan Fungsi Basis Radial.
- Keterpisahan pola dan interpolasi.
- Teori Regularisasi.
- Regularisasi dan jaringan RBF.
- Desain dan pelatihan jaringan RBF.
- Sifat aproksimasi RBF.
Pembelajaran Kompetitif dan ANN Pengorganisasian Diri.
- Prosedur pengelompokan (clustering) umum.
- Kuantitasi Vektor Pembelajaran (Learning Vector Quantization/LVQ).
- Algoritma dan arsitektur pembelajaran kompetitif.
- Peta fitur pengorganisasian diri.
- Sifat peta fitur.
Jaringan Saraf Kabur.
- Sistem neuro-fuzzy.
- Latar belakang himpunan kabur dan logika.
- Desain sistem fuzzy.
- Desain ANN fuzzy.
Aplikasi
- Beberapa contoh aplikasi Jaringan Saraf, keunggulan, dan masalah yang terkait akan dibahas.
HARI 2 - PEMBELAJARAN MESIN
- Kerangka Pembelajaran PAC
- Jaminan untuk himpunan hipotesis terbatas – kasus konsisten
- Jaminan untuk himpunan hipotesis terbatas – kasus tidak konsisten
- Keumuman
- Skenario Deterministik vs. Stokastik
- Derajat noise kesalahan Bayes
- Galat estimasi dan aproksimasi
- Seleksi model
- Kompleksitas Rademacher dan Dimensi VC
- Kompromi Bias - Varians
- Regularisasi
- Overfitting
- Validasi
- Mesin Vektor Pendukung (Support Vector Machines)
- Kriging (regresi Proses Gaussian)
- PCA dan Kernel PCA
- Peta Pengorganisasian Diri (Self Organisation Maps/SOM)
- Ruang vektor yang diinduksi oleh Kernel
- Kernel Mercer dan metrik kesamaan yang diinduksi Kernel
- Pembelajaran Penguatan (Reinforcement Learning)
HARI 3 - PEMBELAJARAN MENDALAM
Materi ini akan diajarkan dalam kaitannya dengan topik yang dibahas pada Hari 1 dan Hari 2
- Regresi Logistik dan Softmax
- Autoencoder Langka (Sparse)
- Vektorisasi, PCA, dan Whitening
- Pembelajaran Mandiri (Self-Taught Learning)
- Jaringan Mendalam (Deep Networks)
- Dekoder Linear
- Konvolusi dan Pooling
- Pengkodean Langka (Sparse Coding)
- Analisis Komponen Independen
- Analisis Korelasi Kanonik
- Demonstrasi dan Aplikasi
Persyaratan
Pemahaman yang baik tentang matematika.
Pemahaman yang baik tentang statistik dasar.
Keterampilan pemrograman dasar tidak diwajibkan tetapi sangat disarankan.
Testimoni (2)
Bekerja berdasarkan prinsip-prinsip dasar secara fokus, dan beralih ke penerapan studi kasus pada hari yang sama
Maggie Webb - Department of Jobs, Regions, and Precincts
Kursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Diterjemahkan Mesin
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.
Jonathan Blease
Kursus - Artificial Neural Networks, Machine Learning, Deep Thinking
Diterjemahkan Mesin
