Βαθιά Μάθηση και Ανάλυση Πολυμεσικών Δεδομένων

Πληροφορίες Μαθήματος
ΤίτλοςΒαθιά Μάθηση και Ανάλυση Πολυμεσικών Δεδομένων / Deep Learning and Mutlimedia Information Analysis
ΚωδικόςAI204
ΣχολήΘετικών Επιστημών
ΤμήμαΠληροφορικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΕαρινή
Υπεύθυνος/ηΑναστάσιος Τέφας
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID600016307

Πρόγραμμα Σπουδών: ΠΜΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ (2018 έως σήμερα) ΠΦ

Εγγεγραμμένοι φοιτητές: 20
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν217,5

Πληροφορίες Τάξης
ΤίτλοςΒαθιά Μάθηση και Ανάλυση Πολυμεσικών Δεδομένων
Ακαδημαϊκό Έτος2019 – 2020
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Class ID
600153666
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τύπος Μαθήματος 2016-2020
  • Υποβάθρου
  • Γενικών Γνώσεων
  • Επιστημονικής Περιοχής
  • Ανάπτυξης Δεξιοτήτων
Τύπος Μαθήματος 2011-2015
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
Erasmus
Το μάθημα προσφέρεται και σε φοιτητές προγραμμάτων ανταλλαγής.
Γλώσσα Διδασκαλίας
  • Ελληνικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Προηγούμενη έκθεση σε γραμμική άλγεβρα, αναγνώριση προτύπων και μηχανική μάθηση, βαθιά μάθηση και νευρωνικά δίκτυα βοηθά στην γρηγορότερη αφομοίωση των εννοιών.
Μαθησιακά Αποτελέσματα
Γνωστικοί: Θεμελίωση και μαθηματική θεώρηση των εννοιών της μάθησης και γενίκευσης στην βαθιά μάθηση. Συγκριτική θεώρηση των βασικών τύπων μηχανών μάθησης. Κατανόηση των βασικών εννοιών της εκπαίδευσης και της μαθησιακής ικανότητας των μηχανών μάθησης. Έκθεση στην ευρεία εφαρμογή των μηχανών μάθησης στην αναγνώριση προτύπων, προσέγγιση συναρτήσεων, εξόρυξη δεδομένων και ανάκτηση πληροφορίας. Δεξιότητες:Ικανότητα επίλυσης προβλημάτων αναγνώρισης προτύπων και προσέγγισης συναρτήσεων με χρήση τεχνικών βαθιάς μάθησης και υλοποίηση των αντίστοιχων αλγορίθμων εκπαίδευσης. Χρήση διαθέσιμων βιβλιοθηκών βαθιάς μάθησης. Όξυνση προγραμματιστικών δεξιοτήτων. Ικανότητα πλήρους αντιμετώπισης ενός πραγματικού προβλήματος με υλοποίηση αλγορίθμου, εκτέλεση πειραμάτων με πραγματικά δεδομένα και συγγραφή έκθεσης αποτελεσμάτων.
Γενικές Ικανότητες
  • Εφαρμογή της γνώσης στην πράξη
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Προσαρμογή σε νέες καταστάσεις
  • Λήψη αποφάσεων
  • Αυτόνομη εργασία
  • Παραγωγή νέων ερευνητικών ιδεών
  • Σχεδιασμός και διαχείριση έργων
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Επισκόπηση νευρωνικών δικτύων. Βαθιά μάθηση (Deep Learning) και ο αλγόριθμος εκπαίδευσης back-propagation. Βαθιά δίκτυα αυτοκωδικοποίησης (Deep autoencoders) και εξαγωγή χαρακτηριστικών. Προσομοιωμένη ανόπτηση και βαθιές μηχανές Boltzmann (Deep Boltzmann Machines). Βαθιά συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Networks). Βαθιά αναδρομικά νευρωνικά δίκτυα (Reccurent Neural Networks) για μάθηση ακολουθιακών δεδομένων. Generative adversarial networks. Βαθιά ενισχυτική μάθηση (Deep Reinforcement Learning). Μεταφορά Γνώσης. Θέματα βελτιστοποίησης, κανονικοποίησης, υπερ-εκπαίδευσης, μάθησης και γενίκευσης. Σχεδιασμός και εκπαίδευση βαθιών αρχιτεκτονικών. Βιβλιοθήκες και εργαλεία ανάπτυξης και υλοποίησης βαθιών νευρωνικών δικτύων. Θέματα υπολογιστικής πολυπλοκότητας βαθιών αρχιτεκτονικών και παράλληλης επεξεργασίας σε κάρτες γραφικών. Υλοποίηση σε ενσωματωμένα συστήματα (embedded systems). Εφαρμογές σε ανάλυση, κατηγοριοποίηση, ομαδοποίηση και ανάκτηση δεδομένων μεγάλης κλίμακας. Εφαρμογές σε εξαγωγή σημασιολογικής πληροφορίας από δεδομένα κειμένου, ήχου, εικόνας και video. Εφαρμογές σε έλεγχο αυτόνομων μηχανών και πρακτόρων.
Λέξεις Κλειδιά
Βαθιά Μάθηση, Νευρωνικά Δίκτυα, Ανάλυση Πολυμεσικών Δεδομένων
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
  • Βιντεοδιαλέξεις
  • Πολυμεσικό υλικό
  • Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
Περιγραφή
Διαφάνειες, Προγράμματα, Βιβλιοθήκες υλοποιημένων αλγορίθμων, Επίδειξη εφαρμογών σε Η/Υ, χρήση ηλεκτρονική επικοινωνίας από τον ιστοχώρο του μαθήματος.
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις39
Μελέτη και ανάλυση βιβλίων και άρθρων86
Εκπόνηση μελέτης (project)60
Συγγραφή εργασίας / εργασιών15
Εξετάσεις25
Σύνολο225
Αξιολόγηση Φοιτητών
Περιγραφή
Αξιολόγηση των υποχρεωτικών εργασιών (κώδικας και εκτέλεση εφαρμογής, δοκίμιο, παρουσίαση) 60%, Γραπτή εξέταση στην ύλη του μαθήματος 40%. Όλα τα κριτήρια αξιολόγησης των εργασιών περιγράφονται στις εκφωνήσεις των εργασιών και επεξηγούνται στην αίθουσα. Τα κριτήρια αξιολόγησης του γραπτού επίσης περιγράφονται στις τελευταίες διαλέξεις.
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Συμπερασματική)
  • Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική)
  • Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
  • Προφορική Εξέταση (Διαμορφωτική, Συμπερασματική)
  • Δημόσια Παρουσίαση (Διαμορφωτική, Συμπερασματική)
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
  • Έκθεση / Αναφορά (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1. ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ, Κ. ΔΙΑΜΑΝΤΑΡΑΣ, ΚΛΕΙΔΑΡΙΘΜΟΣ, 2007, ΑΘΗΝΑ 2. ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, 3η ΕΚΔΟΣΗ, S. Haykin, Παπασωτηρίου, 2010, Αθήνα. 3. Διαφάνειες και υλικό σε ηλεκτρονική μορφή 4. Free E-books στα Αγγλικά
Επιπρόσθετη βιβλιογραφία για μελέτη
Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016, http://www.deeplearningbook.org/
Τελευταία Επικαιροποίηση
10-01-2023