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 την 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 αλγορίθμων βαθιάς μηχανικής μάθησης σε δεδομένα, σύγκρισης και επιλογής του κατάλληλου αλγορίθμου.
- Να επικοινωνεί ιδέες που αφορούν την βαθιά μηχανική μάθηση με καθαρό, σαφή και τυπικό τρόπο.
Με στόχο να παραμετροποιεί, εφαρμόζει και να αποτιμά αλγόριθμους βαθιάς μηχανικής μάθησης σε προβλήματα, και να εξηγεί τη λειτουργία τους .
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.
- Inductive Transfer.
- Βαθιά ενισχυτική μάθηση: Εισαγωγή, αλγόριθμοι policy gradient, μοντέλο actor-critic.
- Μάθηση πολιτικών με μίμηση πολιτικών.
- Ανάστροφη ενισχυτική μάθηση.
Επιπλέον, στον Eύδοξο αναρτώνται σε ηλεκτρονική μορφή άρθρα, οπτικοακουστικό υλικό διαλέξεων και διαδικτυακές διευθύνσεις για χρήσιμες πληροφορίες καθώς και ασκήσεις για την εξάσκηση των φοιτητών/τριών.
Παρουσιάζονται μελέτες περίπτωσης, παραδειγματικά προβλήματα και μέθοδοι επίλυσης αυτών κοκ.
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.
