Η Βαθιά Μάθηση αποτελεί την πιο περιζήτητη δεξιότητα στην Τεχνητή Νοημοσύνη. Σε αυτή την ενότητα, θα μάθετε τα θεμέλια της Βαθιάς Μάθησης, θα κατανοήσετε πώς να κατασκευάζετε νευρωνικά δίκτυα και θα μάθετε πώς να ηγείστε επιτυχημένων πρότζεκτ μηχανικής μάθησης. Θα μάθετε για τα Convolutional networks, Recurrent Neural Networks, Transformers, Regularization, Adversarial Attacks, Deep Reinforcement Learning, Interpretability, καθώς και bleeding-edge Stochastic foundational regards.
Στόχος του μαθήματος είναι οι φοιτητές να είναι σε θέση να :
(α)Να περιγράφουν και να ταξινομούν τις θεμελιώδεις αρχές σχεδιασμού των συστημάτων βαθιάς μάθησης.
(β)Να περιγράφουν και να χρησιμοποιούν ευρέως αποδεκτές τεχνικές για την υλοποίηση δικτύων βάθους.
(γ) Να αξιολογούν ερευνητικά άρθρα σχετικά με τη βαθιά μάθηση
Περιεχόμενο Μαθήματος:
• Εισαγωγή στη Βαθιά Μάθηση.
• Βασικά στοιχεία Νευρωνικών Δικτύων.
• Η θεμελιώδης αρχή του Learning Representations.
• Επίθεση στα νευρωνικά δίκτυα με Adversarial Examples
• Adversarial Robustness.
• Hyperparameter Tuning, Batch Normalization.
• Stochastic Gradient Descent Training.
• Convolutional Layers.
• Recurrent Layers.
• Self-Attention Layers.
