Ηλεκτρονική Διάθεση Μαθήματος
Μαθησιακά Αποτελέσματα
Γνωστικοί: Θεμελίωση και μαθηματική θεώρηση των εννοιών της μάθησης και γενίκευσης. Συγκριτική θεώρηση των βασικών τύπων νευρωνικών δικτύων και βαθιάς μάθησης. Κατανόηση των βασικών εννοιών της εκπαίδευσης και της μαθησιακής ικανότητας των μηχανών μάθησης. Έκθεση στην ευρεία εφαρμογή των νευρωνικών δικτύων στην αναγνώριση προτύπων, προσέγγιση συναρτήσεων, εξόρυξη δεδομένων και ανάκτηση πληροφορίας.
Δεξιότητες:Ικανότητα επίλυσης προβλημάτων αναγνώρισης προτύπων και προσέγγισης συναρτήσεων με χρήση βαθιάς νευρωνικής μάθησης και υλοποίηση των αντίστοιχων αλγορίθμων εκπαίδευσης. Χρήση διαθέσιμων βιβλιοθηκών βαθιάς μηχανικής μάθησης όπως pytorch και tensorflow. Όξυνση προγραμματιστικών δεξιοτήτων. Ικανότητα πλήρους αντιμετώπισης ενός πραγματικού προβλήματος κατηγοριοποίησης ή προσέγγισης συνάρτησης με υλοποίηση αλγορίθμου, εκτέλεση πειραμάτων με πραγματικά δεδομένα και συγγραφή έκθεσης αποτελεσμάτων.
Περιεχόμενο Μαθήματος
Εισαγωγή στα τεχνητά νευρωνικά δίκτυα (ΤΝΔ). Διαδικασίες και πρότυπα εκμάθησης. Ε-φαρμογές ΤΝΔ. Κανόνες παράστασης γνώσης στα ΤΝΔ. Εκπαίδευση δικτύου Perceptron. Εκπαίδευση ADALINE. Πολυστρωματικά perceptrons (MLPs) και ο αλγόριθμος εκπαίδευσης back-propagation. Βαθιά μάθηση (Deep Learning). Μηχανές διανυσμάτων υποστήριξης (Support vector machines). Δίκτυα ακτινικών συναρτήσεων βάσης (RBFs). Χεμπιανά μοντέλα μάθησης. Γραμμικά Χεμπιανά μοντέλα. Νευρωνικά δίκτυα ανάλυσης κυρίων συνιστωσών (PCA-NN). Μη-γραμμικά Χεμπιανά μοντέλα. Νευρωνικά δίκτυα ανάλυσης ανεξάρτητων συνιστωσών (ICA-NN). Θεωρία μάθησης και γενίκευσης. Εφαρμογές των νευρωνικών δικτύων στην αναγνώριση προτύπων, προσέγγιση συναρτήσεων, συμπίεση εικόνας, διαχωρισμό σημάτων.
Βιβλιογραφία μαθήματος (Εύδοξος)
1. ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ, Κ. ΔΙΑΜΑΝΤΑΡΑΣ, 2010, ΑΘΗΝΑ
2. ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, 3η ΕΚΔΟΣΗ, S. Haykin, Παπασωτηρίου, 2010, Αθήνα.