ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ - ΒΑΘΙΑ ΜΑΘΗΣΗ
| Τίτλος | ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ - ΒΑΘΙΑ ΜΑΘΗΣΗ / NEURAL NETWORKS - DEEP LEARNING |
| Κωδικός | NDM-07-05 |
| Σχολή | Θετικών Επιστημών |
| Τμήμα | Πληροφορικής |
| Κύκλος / Επίπεδο | 1ος / Προπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή |
| Υπεύθυνος/η | Αναστάσιος Τέφας |
| Κοινό | Ναι |
| Κατάσταση | Ενεργό |
| Course ID | 600016578 |
Πρόγραμμα Σπουδών: ΠΠΣ-Τμήμα Πληροφορικής (2019-σήμερα)
Εγγεγραμμένοι φοιτητές: 102
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΓΕΝΙΚΗ ΚΑΤΕΥΘΥΝΣΗ | ΥΠΟΧΡΕΩΤΙΚΟ ΚΑΤΑ ΕΠΙΛΟΓΗ | 7 | 4 | 5 |
| Τίτλος | ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ - ΒΑΘΙΑ ΜΑΘΗΣΗ |
| Ακαδημαϊκό Έτος | 2020 – 2021 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ |
|
| Ώρες Εβδομαδιαία | 4 |
| Class ID | 600176662
|
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τύπος Μαθήματος 2016-2020
- Επιστημονικής Περιοχής
Τύπος Μαθήματος 2011-2015
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600176662
- eLearning (Moodle): https://elearning.auth.gr/course/view.php?id=7943
Erasmus
Το μάθημα προσφέρεται και σε φοιτητές
προγραμμάτων ανταλλαγής.
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Προηγούμενη έκθεση σε γραμμική άλγεβρα, διανυσματικό λογισμό, αναγνώριση προτύπων βοηθά στην γρηγορότερη αφομοίωση των εννοιών.
Μαθησιακά Αποτελέσματα
Γνώσεις: 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.
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Ομαδική εργασία
- Παραγωγή νέων ερευνητικών ιδεών
- Σχεδιασμός και διαχείριση έργων
- Άσκηση κριτικής και αυτοκριτικής
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
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.
Λέξεις Κλειδιά
Νευρωνικά Δίκτυα, Υπολογιστική Νοημοσύνη, Βαθιά Μάθηση
Τύποι Εκπαιδευτικού Υλικού
- Διαφάνειες
- Πολυμεσικό υλικό
- Διαδραστικές ασκήσεις
- 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
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 102 | ✓ | |||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 6 | ✓ | |||
| Εκπόνηση μελέτης (project) | 34 | ✓ | ✓ | ||
| Συγγραφή εργασίας / εργασιών | 6 | ✓ | ✓ | ||
| Εξετάσεις | 2 | ✓ | ✓ | ||
| Σύνολο | 150 |
Αξιολόγηση Φοιτητών
Περιγραφή
Αξιολόγηση των υποχρεωτικών εργασιών (κώδικας και εκτέλεση εφαρμογής, δοκίμιο, παρουσίαση) 50%, Γραπτή εξέταση στην ύλη του μαθήματος 50%. 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 Πολλαπλής Επιλογής (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
- Προφορική Εξέταση (Διαμορφωτική, Συμπερασματική)
- Δημόσια Παρουσίαση (Συμπερασματική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
- Έκθεση / Αναφορά (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1. ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, Κ. ΔΙΑΜΑΝΤΑΡΑΣ, Δ. ΜΠΟΤΣΗΣ, ΚΛΕΙΔΑΡΙΘΜΟΣ, 2019, ΑΘΗΝΑ
2. ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, 3η ΕΚΔΟΣΗ, S. Haykin, Παπασωτηρίου, 2010, Αθήνα.
Επιπρόσθετη βιβλιογραφία για μελέτη
https://www.deeplearningbook.org/
Τελευταία Επικαιροποίηση
10-04-2022
