Βαθιά Μάθηση
| Τίτλος | Βαθιά Μάθηση / Deep Learning |
| Κωδικός | 133 |
| Σχολή | Πολυτεχνική |
| Τμήμα | Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών |
| Κύκλος / Επίπεδο | 1ος / Προπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Παναγιώτης Πετραντωνάκης |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600026756 |
Πρόγραμμα Σπουδών: Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Εγγεγραμμένοι φοιτητές: 76
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ | Επιλογής | 9 | 5 | 5 |
| ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ | Επιλογής | 9 | 5 | 5 |
| ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ | Επιλογής | 9 | 5 | 5 |
| Τίτλος | Βαθιά Μάθηση |
| Ακαδημαϊκό Έτος | 2025 – 2026 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Ώρες Εβδομαδιαία | 4 |
| Class ID | 600287486
|
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600287486
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
Μαθησιακά Αποτελέσματα
Με την ολοκλήρωση του μαθήματος, οι φοιτητές/τριες αναμένεται να μπορούν να:
α) Γνωρίζουν τις βασικές αρχές της βαθιάς μάθησης και να κατανοούν τις θεμελιώδεις μεθόδους και τους βασικούς αλγορίθμους της.
β) Μπορούν να εφαρμόσουν γνωστούς αλγορίθμους σε πιλοτικά προβλήματα
γ) Επιλέγουν τον κατάλληλο μοντέλο βαθιάς μάθησης με βάση τις απαιτήσεις του προβλήματός τους και να το υλοποιούν στο κατάλληλο προγραμματιστικό πακέτο,
δ) Σχεδιάζουν τη διαδικασία επίλυσης προβλημάτων μέσης δυσκολίας.
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Λήψη αποφάσεων
- Ομαδική εργασία
Περιεχόμενο Μαθήματος
Ανασκόπηση βασικών εννοιών μηχανικής μάθησης και υπολογιστικής νοημοσύνης. Μοντέλα και αρχιτεκτονικές Νευρωνικών Δικτύων, αλγόριθμοι μάθησης. Perceptron, πολυστρωματικό Perceptron (MultiLayer Perceptron-MLP). Βαθιά Νευρωνικά Δίκτυα Πρόσθιας Τροφοδότησης (deep feedforward neural networks). Συναρτήσεις κόστους (loss functions), συναρτήσεις ενεργοποίησης (activation functions), βελτιστοποίηση (optimization). Oμαλοποίηση (regularization). Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks) και παραλλαγές. Ακολουθιακά μοντέλα (sequence models). Επαναληπτικά Nευρωνικά Δίκτυα (Recurrent Neural Networks – RNN) και παραλλαγές. Μηχανισμός προσοχής (attention, self-attention, multi-head attention). Μετασχηματιστές (transformers). Αυτοκωδικοποιητές (autoencoders), Αυτοκωδικοποιητές (Autoencoders).
Λέξεις Κλειδιά
Βαθιά Μάθηση, Νευρωνικά Δίκτυα
Τύποι Εκπαιδευτικού Υλικού
- Διαφάνειες
- Βιβλίο
- Εργασίες
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
- Χρήση Τ.Π.Ε. στη Διδασκαλία
Περιγραφή
Mέσω της διαδικτυακής πλατφόρμας E-learning. Όλες οι ανακοινώσεις, βαθμολογίες, σημειώσεις κ.τ.λ. αναρτώνται στην αντίστοιχη ιστοσελίδα.
Οι συμπληρωματικές σημειώσεις διανέμονται ηλεκτρονικά μέσα από το E-learning.
Οι εργασίες ανακοινώνονται ηλεκτρονικά και οι φοιτητές πρέπει να δηλωθούν και να υποβάλλουν τις εργασίες τους μέσω του τόπου του μαθήματος.
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 39 | 1,3 | ✓ | ||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 16 | 0,5 | ✓ | ||
| Φροντιστήριο | 27 | 0,9 | ✓ | ||
| Συγγραφή εργασίας / εργασιών | 44 | 1,5 | ✓ | ||
| Εξετάσεις | 24 | 0,8 | ✓ | ||
| Σύνολο | 150 | 5 |
Αξιολόγηση Φοιτητών
Περιγραφή
Όλα τα γραπτά διορθώνονται από τον κύριο διδάσκοντα και μόνο και η αξιολόγηση των εργασιών γίνεται από τον κύριο διδάσκοντα και έναν μεταπτυχιακό φοιτητή.
Σχήμα αξιολόγησης:
Εργασίες
- 50% του τελικού βαθμού
Τελικές Εξετάσεις
- 50% του τελικού βαθμού
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Διαμορφωτική)
- Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Διαμορφωτική)
- Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Διαμορφωτική)
- Γραπτή Εργασία (Συμπερασματική)
- Προφορική Εξέταση (Διαμορφωτική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική)
- Έκθεση / Αναφορά (Διαμορφωτική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
Τίτλος Συγγράμματος: «Βαθιά Μάθηση», Συγγραφείς: IAN GOODFELLOW, YOSHUA BENGIO, AARON COURVILLE, Εκδόσεις: 2024 ΚΛΕΙΔΑΡΙΘΜΟΣ
Κωδικός Βιβλίου στον Εύδοξο: 122075017 ΕΠΕ
Επιπρόσθετη βιβλιογραφία για μελέτη
Deep Learning – Foundations and Concepts, C. M. Bishop, H. Bishop, Springer, 2023
Τελευταία Επικαιροποίηση
04-09-2025
