Struttura del corso
GIORNO 1 - RETI NEURALI ARTIFICIALI
Introduzione e struttura ANN.
-
Bioneuroni logici e neuroni artificiali.
Modello di una ANN.
Funzioni di attivazione utilizzate nelle ANN.
Classi tipiche delle architetture di rete.
Mathematical Fondamenti e meccanismi di apprendimento.
-
Rivisitazione dell'algebra vettoriale e matriciale.
Concetti di spazio degli stati.
Concetti di ottimizzazione.
Apprendimento della correzione degli errori.
Apprendimento basato sulla memoria.
Apprendimento hebbiano.
Apprendimento competitivo.
Percettroni monostrato.
-
Struttura e apprendimento dei percettroni.
Classificatore di modelli - introduzione e classificatori di Bayes.
Percettrone come classificatore di pattern.
Convergenza dei percettroni.
Limiti di un percettrone.
Feedforward ANN.
-
Strutture di reti feedforward multistrato.
Algoritmo di retropropagazione.
Propagazione a ritroso - allenamento e convergenza.
Approssimazione funzionale con retropropagazione.
Problemi pratici e progettuali dell'apprendimento della retropropagazione.
Reti di funzioni di base radiali.
-
Separabilità e interpolazione di pattern.
Teoria della regolarizzazione.
Reti di regolarizzazione e RBF.
Progettazione e formazione di reti RBF.
Proprietà di approssimazione di RBF.
Apprendimento competitivo e auto-organizzazione ANN.
-
Procedure generali di raggruppamento.
Quantizzazione del vettore di apprendimento (LVQ).
Algoritmi e architetture di apprendimento competitivo.
Mappe delle caratteristiche auto-organizzanti.
Proprietà delle mappe di caratteristiche.
Fuzzy Neural Networks.
-
Sistemi neuro-fuzzy.
Cenni di insiemi fuzzy e logica.
Progettazione di steli fuzzy.
Progettazione di ANN fuzzy.
Applicazioni
-
Verranno discussi alcuni esempi di applicazioni di Reti Neurali, i loro vantaggi e le loro problematiche.
GIORNO -2 MACHINE LEARNING
-
Il quadro di apprendimento PAC
Garanzie per l'insieme di ipotesi finite – caso coerente
Garanzie per l'insieme di ipotesi finite – caso inconsistente
Generalità
Deterministico cv. Scenari stocastici
Rumore di errore di Bayes
Errori di stima e approssimazione
Selezione del modello
Requisiti
Buona conoscenza della matematica.
Good comprensione della statistica di base.
Non sono richieste competenze di programmazione di base ma consigliate.
Recensioni (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
Corso - 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.