Στοχος
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / η φοιτήτρια θα είναι σε θέση να:
- Εξηγεί θεμελιώδεις έννοιες και βασικές αρχές σε ότι αφορά στην βαθιά μηχανική μάθηση και την παραμετροποίηση/εφαρμογή/αποτίμηση αλγορίθμων βαθιάς μηχανικής μάθησης σε σύνολα δεδομένων
- Γνωρίζει, παραμετροποιεί και εφαρμόζει τους βασικότερους αλγορίθμους βαθιάς μηχανικής μάθησης ανά κατηγορία τύπου προβλήματος (regression, classification, clustering, policy optimization)
- Γνωρίζει την μεθοδολογία εφαρμογής και αποτίμησης αλγορίθμων βαθιάς μηχανικής μάθησης σε δεδομένα, σύγκρισης και επιλογής του κατάλληλου αλγορίθμου.
- Έχει τη δυνατότητα κατανόησης αλγορίθμων, επιλογής, σχεδιασμού ή προσαρμογής του καταλληλότερου και εφαρμογής/αποτίμησης σε περιοχές ενδιαφέροντος
- Επικοινωνεί ιδέες που αφορούν την βαθιά μηχανική μάθηση με καθαρό, σαφή και τυπικό τρόπο
Επιπλέον το μάθημα αποσκοπεί στις ακόλουθες γενικές ικανότητες των φοιτητών:
- Ικανότητα οργάνωσης και σχεδιασμού εργασίας και διαχείρισης του χρόνου
- Ικανότητα τεκμηριωμένης επικοινωνίας (προφορικής και γραπτής)
- Ικανότητα επίλυσης προβλημάτων
- Ικανότητα ανάπτυξης κριτικής σκέψης και ικανότητα για κριτικές προσεγγίσεις
- Ικανότητα για ομαδική εργασία
- Ικανότητα διεπιστημονικών προσεγγίσεων
- Ικανότητα εφαρμογής των θεωρητικών γνώσεων στην πράξη
- Ικανότητα για έρευνα
- Ικανότητα προσαρμογής των μεθόδων και τεχνικών σε νέες καταστάσεις και συνθήκες
- Ικανότητα για δημιουργία νέων ιδεών – Δημιουργικότητα
Περιεχομενα
- Εισαγωγικά στοιχεία για την βαθιά μηχανική μάθηση
- Feed-Forward νευρωνικά δίκτυα
- Συνέλιξη στα νευρωνικά δίκτυα (Convolutional Neural Networks)
- Autoencoders και Data Augmentation
- Ανατροφοδότηση και αναδρομή στα νευρωνικά δίκτυα (Recurrent and Recursive Neural Networks)
- GRU/LSTMs και Attention
- Βαθιά ενισχυτική μάθηση: Εισαγωγή, αλγόριθμοι policy gradient, μοντέλο actor-critic
- Μάθηση πολιτικών με μίμηση πολιτικών
- Ανάστροφη ενισχυτική μάθηση
Ενδεικτικη βιβλιογραφια
- “Deep Learning”, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press,
2016.
- “Reinforcement Learning: An Introduction”, Richard S. Sutton and Andrew G. Barto Second Edition (see here for the first edition) MIT Press, Cambridge, MA, 2018
- Additional research articles on the topics of the lectures.
