Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές/τριες θα έχουν όλες τις θεμελιώδεις γνώσεις γύρω από τη θεωρία και την πρακτική εφαρμογή σύγχρονων μοντέλων βαθιάς μάθησης. Οι γνώσεις αυτές θα επιτρέπουν τόσο την αξιοποίηση τεχνικών μηχανικής μάθησης και βαθιάς μάθησης σε παραγωγικό περιβάλλον, καθώς και τη διεξαγωγή έρευνας σε συναφή αντικείμενα.
Περιεχόμενο Μαθήματος
– Εκμάθηση αναπαραστάσεων σε σήματα – συνελικτικά νευρωνικά δίκτυα (ΣΝΔ)
– Τεχνικές ελέγχου της χωρητικότητας: Ομαλοποίηση, dropout και επαύξηση δεδομένων
– Δημοφιλείς αρχιτεκτονικές ΣΝΔ
– Ενσωματώσεις λέξεων
– Ροές φόρτωσης, προεπεξεργασίας και εκπαίδευσης στο pytorch
– Αναδρομικά δίκτυα με έμφαση στα LSTM και GRU
– Μηχανισμοί προσοχής
– Δίκτυα μετασχηματιστών
– Παραγωγικά μοντέλα: GAN, VAE και Normalizing Flows
– Εισαγωγή στην ενισχυτική μάθηση
– Οι αλγόριθμοι DQN, A2C και PPO
