← Back to CoursesStemExpert
StemExpert
Expert · Werkboek · 43. Neurale netwerken
StemExpert · Brecht Corbeel · schoolium.me
StemExpert
E43. Neurale netwerken — werkboek
EExpert · deel E9 · Data science en AI

Werkboek · hoofdstuk 43Neurale netwerken

Een netwerk leert door de kettingregel door iedere laag terug te rekenen

Je rekent een netwerk vooruit en terug, controleert de code en verdedigt vervolgens een zonnevoorspeller.

3× oefenen4× toepassen3× uitdagen± 405 min0/10 gedaan
AData en AIWWiskundig modellerenPProgrammeren en computationeel denken
Beschikbaar zonnevermogen vraagt instraling, temperatuur en een duidelijke systeemgrens.
Beschikbaar zonnevermogen vraagt instraling, temperatuur en een duidelijke systeemgrens.
Hoe lees je een opdracht?
Drie tredenOefenen Toepassen Uitdagen

Elk hoofdstuk bouwt op: eerst oefenen (één stap, direct toepassen), dan toepassen (meerdere stappen, in een context), dan uitdagen (transfer, open problemen, andere leerlijnen erbij).

De StemExpert-schaal5

Eén moeilijkheidsschaal van 1 tot 9 over de drie niveaus heen: Fundamental loopt van 1 tot 4, Intermediate van 3 tot 7, Expert van 6 tot 9. Zo zie je dat de uitdaging van het ene niveau de oefening van het volgende is.

Oefenen

Oefenen

één stap, direct toepassen
43.1

Een neuron vooruit

Oefenen6Rekenen25 min
x=(1,2), w=(0,5;−0,2), b=0,1.
  1. a
    Bereken z, ReLU(z) en tanh(z).
43.2

Vormen en parameters

Oefenen6Rekenen25 min
Batch 20×3, verborgen laag vijf neuronen, lineaire uitvoer één.
  1. a
    Geef alle gewicht/biasvormen en parameter- en activatieaantallen.
43.3

Lineaire lagen

Oefenen6Begrijpen25 min
Drie affine lagen bevatten geen activatie.
  1. a
    Waarom maakt deze diepte de regressierelatie niet niet-lineair?
Toepassen

Toepassen

meerdere stappen, in een context
43.4

Backprop met één verborgen ReLU

Toepassen7Rekenen25 min
x=2, w1=0,3, b1=0,1, w2=0,5, b2=0; y=1; L=(ŷ−y)²/2.
  1. a
    Bereken forward en alle gradiënten, daarna één update met η=0,1.
43.5

Gradientcheck uitbreiden

Toepassen7Programmeren50 min
De code toetst één element van W1.
  1. a
    Toets alle parameters op een kleine batch met meerdere ε-waarden en een relatieve afwijking.
43.6

Een leercurve lezen

Toepassen7Analyseren25 min
Train-MSE daalt van 0,01 naar 0,001; validatie-MSE stijgt na epoch 400 van 0,003 naar 0,008.
  1. a
    Kies een opslagregel en twee vervolgonderzoeken. Wat mag de test niet doen?
43.7

Een convolutioneel vak

Toepassen7Rekenen25 min
3×3-beeldvak met elke rij [0,0,1]; kernel met elke rij [−1,0,1]; bias 0.
  1. a
    Bereken uitvoer en ReLU. Geef de uitvoermaat voor een 4×4-beeld zonder padding.
Uitdagen

Uitdagen

transfer, open problemen, leerlijnen combineren
43.8

PV-netwerk voor Habitat

Uitdagen9Habitat80 min
De planner vraagt een voorspelling van morgenopbrengst.
  1. a
    Definieer features, doel, grens, baselines en toetsing zonder toekomstlek.
  2. b
    Welke fysische en operationele voorwaarden blijven onafhankelijk?
Zo wordt dit beoordeeld
doelEnergiehorizon en systeemgrens helder.
toetsingForecastarchief en aparte toekomsttest.
beheerFysische grenzen en schaduwmodus.
43.9

CNN tegen een verborgen lek

Uitdagen9Onderzoeken50 min
Veel foto's van dezelfde plant worden willekeurig over train en test verdeeld. Testaccuracy is 99%.
  1. a
    Ontwerp een toets die nieuwe planten, belichting en camera onderzoekt.
43.10

Meer neuronen verdedigen

Uitdagen9Programmeren75 min
Vergelijk verborgen breedtes 4,12,40 bij dezelfde PV-dataset.
  1. a
    Voer een vooraf bepaalde modelvergelijking uit en maak het inzetbesluit reviewbaar.
Zo wordt dit beoordeeld
vergelijkingGelijke data en vooraf gekozen selectie.
bewijsFout, complexiteit en seeds.
besluitManifest en modelgrenzen zichtbaar.
ZelfevaluatieKleur per doel: lukt al / bijna / nog niet