Тази учебна дисциплина е избираема и представя основните концепции на невронните мрежи по достъпен начин, използвайки основни знания от Линейната алгебра и Аналитичната геометрия. Започва с обяснение как се използва графовата мрежова архитектура, за да се правят прогнози. Обратното разпространение е подробно описано и се демонстрира коригиране на параметрите на мрежата чрез градиентно спускане. Коментирани са трите най-често използвани активиращи функции и случая на мрежа с множество входове и изходи за обработка на сложни данни. Двете най-популярни класификационни функции са обяснени при генериране на вероятности и окончателни прогнози, а кръстосаната ентропия е представена като ефективен инструмент за измерване на точността на прогнозиране. Обръща се внимание върху изчисляване на производни на кръстосаната ентропия за обратно разпространение и използването на градиентите за ефективно обучение. Накрая, се въвеждат конволюционни невронни мрежи за класификация на изображения, показвайки практически приложения на тези концепции в дълбокото обучение.
- Преподавател: Манчо Манев