Neurális hálók és mély tanulás alkalmazása témalabor
Jelentkezés egyéni feladatért
Kérünk minden hallgatót, akik e témalabor előadásait hallgatták, hogy az alábbi formot kitöltve válasszanak egyéni témát.
https://docs.google.com/forms/d/e/1FAIpQLSeTtRHD3GpRJ_1i6M9U8ry27IuHh_H-...
Jelentkezési határidő: 2018. november 7.
Témlabor foglalkozások anyaga
Tankönyv: http://www.mit.bme.hu/books/neuralis (chrome alapú böngészőkben MathML bővítmény használata szükséges)
Tankönyv2: http://www.deeplearningbook.org/
1. alkalom - 2018. szeptember 17.
1. Tanuló rendszerek motivációja : tankönyv 1.1, 1.2, 1.3 fejezetei
2. Ellenőrzött (induktív) tanítás lényege, tapasztalati kockázatminimalizálás módszere (ennek konzisztenciájával nem foglalkoztunk)
3. Egyszerű neuronok felépítése, működése: perceptron, adaline: tankönyv 3.1, 3.2 fejezetei
4. Gradient descent eljárás viselkedése kvadratikus hibafelületen (adaline tanítása): tankönyv 2.5
(ehhez kapcsolódóan matematikai alapok: szimmetrikus mátrixok sajátérték szerinti diagonalizációja,
több dimmenziós terek feletti konvex függvények, Hesse mtx. defincíciója)
2. alkalom - 2018. szeptember 24.
Tanulás fajtái, alkalamzásuk célja (ellenőrzött, nem ellenőrzött, félig ellenőrzött, (megerősítéses)) : tankönyv 2. fejezetének erre vonatkozó részei (2.0, 2.1)
Klasszikus neurális hálózatok felépítése, működése, tanulása, tanítása: tankönyv 4. fejezete
3. alkalom - 2018. október 1.
Tanuló rendszerek általánosító képességének kérdésköre (torzítás / variancia dilemma, empirikus kockázatminimalizálás konzisztenciája, VC dimenzió): tankönyv 2.1, 2.3, 2.4
Regularizáció alkalmazása gépi tanulás során: SVM, RVM, direkt regularizációs módszerek (Tihonov, L1, L0), implicit regularizáció módszerei (augmentáció, dropout, adversial training, virtual adversial training, stb.): tankönyv 6.1-6.3, tankönyv2 7. fejezete
4. alkalom - 2018 október 8.
6. alkalom - 2018 október 29.
Objektumdetektálás képeken mély tanulás alkalmazásával: R-CNN, Fast R-CNN, Faster R-CNN, R-FCN, YOLO (v2, v3), SegNet, U-net, Mask R-CNN