Masterclass Deep Learning

De afgelopen jaren heeft deep learning voor grote doorbraken gezorgd in complexe vraagstukken als gezichtsherkenning, machinevertaling en het spelen van bord- of computerspellen (bijv. Go). Waar in klassieke machine learning de gebruiker verantwoordelijk is voor het maken van een goede representatie van een dataset, leren deep learning-modellen deze representatie zelf uit de gegeven data door middel van optimalisatietechnieken.

Deze Masterclass richt zich op de constructie van deep learning-modellen voor het oplossen van een breed scala aan problemen, waaronder classificatie en regressie, tijdreeksanalyse, en beeldherkenning. We behandelen verschillende technieken en modellen en bespreken de theoretische achtergrond van deep learning.

Aan de hand van concrete problemen implementeren we verschillende modellen en architecturen in een online notebook-omgeving in de programmeertaal R, gebruikmakend van het deep learning-pakket Keras.

Leerdoelen

Na het succesvol doorlopen van deze masterclass kunt u:

  • Begrijpen en uitleggen hoe deep learning werkt, en hoe deep learning verschilt van klassieke machine learning.
  • Zelfstandig een geschikt deep learning-model construeren en beschrijven op basis van data en gewenste uitkomst.
  • Zelfstandig een deep learning-model implementeren, doorrekenen en aanpassen voor het verbeteren van de performance.

Inhoud

  1. Introductie en basiscomponenten van deep learning
  2. Optimalisatie
  3. Regularisatie en modelverbetering
  4. Sequentiële data en tijdreeksanalyse
  5. Beeldherkenning
  6. Unsupervised learning
  7. Complexe architecturen en modellen

Data & Locatie

31 oktober, 7 november en 14 november 2019 van 14.00 tot 21.00 uur, inclusief maaltijd. 

Programma

31 oktober
  • Introductie tot deep learning
  • Basiscomponenten en implementatie van een neuraal netwerk in R
  • Deep learning met Keras
  • Optimalisatie en parameter afstemming
7 november
  • Regularisatie
  • Classificatie en regressie
  • Technieken voor modelverbetering
  • Recurrent neural networks (RNN’s)
  • Beeldherkenning en signaalverwerking
14 november
  • Convolutional neural networks (CNN’s)
  • Transfer learning en fine-tuning
  • Unsupervised learning: clustering & dimensionaliteitsreductie
  • Complexe architecturen en modellen: interpreteerbarheid

Programma onder voorbehoud. Eventuele wijzigingen worden tijdig bekend gemaakt.

Docenten

Caspar van Leeuwen en David Ruhe

    Kosten & Inschrijfformulier

    Voor alumni van de postacademische opleiding Data Science & Business Analytics bedragen de kosten € 1.350,- (vrij van btw).

    Voor deelnemers die geen alumni zijn bedragen de deelnamekosten € 1.650,-.

    Deelnamekosten zijn inclusief lesmateriaal, lichte maaltijd, koffie/thee en parkeerkaarten. 

    Vragen over dit programma? Wij helpen u graag verder.

    • Erasmus Q-Intelligence is als onderwijsinstelling erkend door de NBA (Nederlandse Beroepsorganisatie van Accountants) en is daardoor gerechtigd PE-uren toe te kennen aan onderwijsactiviteiten. Dit programma bestaat uit 16 PE-uren.

    Dit is misschien ook interessant voor u: