Βαθιά Μάθηση

Βασικές αρχές των νευρωνικών δικτύων και την μηχανικής μάθησης. Βαθιά δίκτυα πρόσθιας τροφοδότησης, τεχνικές ομαλοποίησης και αλγόριθμοι βελτιστοποίησης. Τα συνελικτικά δίκτυα,  λειτουργίες συνέληξης, τα βαθιά ανατροφοδοτούμενα δίκτυα, τα βαθιά δίκτυα αυτοενισχυόμενης μάθησης, τα αναδρομικά δίκτυα (RNN, GRU, LSTM). Οι αυτοκωδικοποιητές και τα παραγωγικά δίκτυα αμφισβήτησης (GAN) ως τεχνικές επιβλεπόμενης βαθιάς μάθησης. Παραδείγματα κα εφαρμογές σε διάφορες περιοχές όπως η ανάλυση εικόνας, η υπολογιστική όραση και η επεξεργασία φυσικής γλώσσας.

• Στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με τις βασικότερες τεχνικές βαθιάς μάθησης καθώς και με τις εφαρμογές αυτών σε προβλήματα του πραγματικού κόσμου. Οι φοιτητές μέσω την κατανόησης των διαφορετικών αρχιτεκτονικών νευρωνικών δικτύων και της σύνδεσης αυτών με τις αρχές της στατιστικής μηχανικής μάθησης θα αποκτήσουν εμπειρία στην επίλυση πολύπλοκων σύγχρονων προβλημάτων.  

  Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να είναι σε θέση να:

  • Εξηγούν θεμελιώδεις έννοιες και βασικές αρχές σε ότι αφορά τα νευρωνικά δίκτυα και τη μηχανική μάθηση, καθώς και την εφαρμογή και αποτίμηση των αντίστοιχων αλγορίθμων.
  • Γνωρίζουν, να παραμετροποιούν και να εφαρμόζουν αλγορίθμους βαθιάς μάθησης ανά κατηγορία τύπου προβλήματος (Παλινδρόμιση, Κατηγοριοποίηση, Ομαδοποίηση, Μείωση Διάστασης).
  • Να αναγνωρίζουν τα οφέλη αξιοποίησης της εκάστοτε αρχιτεκτονικής βαθιάς μάθησης ανάλογα με την φύση του προβλήματος προς επίλυση.
  • Γνωρίζουν την μεθοδολογία εφαρμογής αλγορίθμων βαθιάς μάθησης σε πραγματικά προβλήματα και να επιλέγουν τα κατάλληλα εργαλεία.
  • Να αξιοποιούν σύγχρονες τεχνολογίες για την υλοποίηση και εφαρμογή αλγορίθμων βαθιάς μάθησης σε γλώσσα Python (Jupyter, Pytorch, Tensoflow, Keras)

ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΒΑΘΙΑ ΜΑΘΗΣΗ, Charu C. Aggarwal, Εκδόσεις ΓΡΗΓΟΡΙΟΣ ΧΡΥΣΟΣΤΟΜΟΥ ΦΟΥΝΤΑΣ 1^η/2020, Κωδικός Βιβλίου στον Εύδοξο: 94691948

Deep Learning, Goodfellow I., Bengio Y., Courville A., MIT Press (free online), 2016.

Γραπτή τελική εξέταση (60%)

Γραπτή εξαμηνιαία εργασία (1×30%)

 Δημόσια Παρουσίαση (1×10%)