Είσοδος

Βαθιά Μηχανική Μάθηση

Γενικά στοιχεία

 

 
Περιγραφή

Syllabus

Εκμάθηση περίπλοκων αναπαραστάσεων σε δεδομένα, μέσω της ανάλυσής τους σε μιας ιεραρχία απλούστερων εννοιών. Βαθιά δίκτυα πρόσθιας τροφοδότησης, τεχνικές ομαλοποίησης (πρόωρη διακοπή, dropout), αλγόριθμοι βελτιστοποίησης (nesterov momentum, RMSProp, AdaGrad, Adam), τα συνελικτικά δίκτυα (λειτουργίες συνέληξης, pooling), τα βαθιά ανατροφοδοτούμενα δίκτυα, τα βαθιά δίκτυα αυτοενισχυόμενης μάθησης, τα αναδρομικά δίκτυα (RNN, GRU, LSTM), τα deep belief networks, τα generative adversarial networks (GAN), οι αυτοκωδικοποιητές καθώς και εφαρμογές τους σε διάφορες περιοχές όπως η ανάλυση εικόνας, η όραση υπολογιστών και η επεξεργασία φυσικής γλώσσας.

Ιστοσελίδα μαθήματος (ΔΠΜΣ ΕΔΕΜΜ)

Ωρολόγιο πρόγραμμα (ημέρα, ώρα και χώρος διδασκαλίας)

Κάθε Πέμπτη, 11:45-14:30 ως εξής 11.45-12.30 κτ. Ηλεκ., αίθ. 005, 12:45-14:30 PC Labs ΣΗΜΜΥ (αίθουσα Α1)

Βιβλιογραφία

  • Σημειώσεις - διαφάνειες διαλέξεων (μενού "Εργαλεία->Έγγραφα"). Όλες οι διαλέξεις έχουν πρόσθετη βιβλβιογραφία στο τέλος.
  • Ian Goodfellow, Yoshua Bengio and Aaron Courville - "Deep Learning" (MIT Press) available online
  • Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola - "Dive into Deep Learning" (Berkeley Deep Learning course textbook) available online (όλα τα κεφάλαια έχουν παραδείγματα σε notebooks με το DL library MXNet Gluon)
  • Deep Learning Wizard. Αναλυτικά Deep Learning tutorials σε PyTorch.

Εργασίες

Οι σπουδαστές παραδίδουν στο τέλος του εξαμήνου ομαδικές εργασίες.

Η εκφώνηση της εξαμηνιαίας εργασίας βρίσκεται στο μενού "Εργασίες". 

Mέθοδοι αξιολόγησης

Η αξιολόγηση προκύπτει από την εξέταση στο τέλος του εξαμήνου και την ομαδική εργασία (μενού εργασίες).

Διδάσκοντες

Γιώργος Στάμου
Ανδρέας-Γεώργιος Σταφυλοπάτης
Γεώργιος Σιόλας
Γεώργιος Αλεξανδρίδης
Παρασκευή Τζούβελη

 

Επικοινωνία

Επικοινωνία με τους διδάσκοντες - εργαστήριο: deeplearning@islab.ntua.gr


 
Συγχρηματοδότηση
από την Ε.Ε.