Veranstaltungen

13.11.2020

Freitag, 10:00

Forschungszentrum Jülich

Hyperparameter Optimization

In dem Kurs werden Grundkenntnisse der Hyperparameter-Optimierung vermittelt. Das erworbene Wissen wird in einer zweistündigen praktischen Sitzung mit Jupyter Notebooks vertieft. Der Kurs wird in Englischer Sprache abgehalten.

INHALT

Teil I: Theorie

  • train / development / test sets
  • regularization techniques (dropout, L1/L2-regularization)
  • optimization algorithms
  • batch normalization
  • grid search vs. random search vs. Bayesian optimization vs. gradient-based optimization vs. evolutionary optimization

Teil II: Praktische Übungen "Hyperparameter-Optimierung zur Weiterentwicklung neuronaler Netze"

  • optimization of Jupyter notebooks using the Talos library for Keras
  • good practice guidelines for hyperparameter tuning

Lehrende:
Dr. Alexander Rüttgers und Dr. Charlotte Debus, DLR (Köln)

Voraussetzungen:

  • Laptop mit Python3 + Jupyter-Notebooks
  • Die Kursteilnehmer sollten über Grundkenntnisse in Python und Machine Learning verfügen
  • Kursmaterialien: Alle Übungsnotizbücher werden auf GitHub zur Verfügung gestellt.

Anmeldung:
Der Kurs ist für 50 Teilnehmer ausgelegt. Es fallen keine Kursgebühren an, Reisekosten können nicht erstattet werden.

Bitte melden Sie sich unter hds-lee@fz-juelich.de bis zum 16. Oktober 2020 an.

download