CS351 - Τεχνητή Νοημοσύνη & Βαθιά Μάθηση
Bachelor of Science στην Πληροφορική και τις Τεχνολογίες Επιχειρήσεων
Κύριο μάθημα
CS351 - Τεχνητή Νοημοσύνη & Βαθιά Μάθηση
Κωδικός Μονάδας Μαθήματος: CS351
Τύπος μονάδας: Πυρήνας
Επίπεδο Μονάδας Μαθήματος: Δεύτερος κύκλος
Έτος σπουδών: Τρίτο
Εξάμηνο: Β' Εξάμηνο (εαρινό)
Αριθμός μονάδων ECTS: 7.5
Ώρες επαφής με το μάθημα: 36
Τρόπος παράδοσης:
Πρόσωπο με πρόσωπο
Προαπαιτούμενα
Στόχοι του μαθήματος
Στόχος αυτού του μαθήματος είναι να διδάξει στους φοιτητές τα βασικά στοιχεία της βαθιάς μάθησης. Οι φοιτητές θα αναθεωρήσουν ορισμένους βασικούς αλγορίθμους μηχανικής μάθησης που διδάχθηκαν σε άλλα μαθήματα και θα κατανοήσουν τη σχέση τους με τις τρέχουσες προσεγγίσεις βαθιάς μάθησης. Οι φοιτητές θα μάθουν για διαφορετικούς τύπους νευρωνικών δικτύων, όπως τα νευρωνικά δίκτυα τροφοδότησης, τα αναδρομικά και τα συνελικτικά νευρωνικά δίκτυα και θα έχουν την ευκαιρία να τα εφαρμόσουν σε πραγματικά προβλήματα. Το μάθημα θα διδάξει επίσης στους φοιτητές πώς να υλοποιούν βαθιά νευρωνικά δίκτυα στην Python χρησιμοποιώντας το Keras.
Μαθησιακά αποτελέσματα
- Αναθεώρηση των βασικών αλγορίθμων μηχανικής μάθησης που σχετίζονται με τα νευρωνικά δίκτυα: μηχανές διανυσμάτων υποστήριξης, λογιστική παλινδρόμηση, γραμμική παλινδρόμηση, perceptron.
- Κατανόηση των διαφορετικών τύπων νευρωνικών δικτύων: feedforward, recurrent, convolutional. Να κατανοήσουν πώς αυτοί οι τύποι μπορούν να χρησιμοποιηθούν για διαφορετικούς τύπους προβλημάτων: μάθηση με επίβλεψη, μάθηση χωρίς επίβλεψη, μάθηση με ενίσχυση, μάθηση πολλαπλών καθηκόντων.
- Κατανοήστε πώς σχεδιάζονται και βελτιστοποιούνται τα βαθιά νευρωνικά δίκτυα: κάθοδος κλίσης, αναζήτηση νευρωνικής αρχιτεκτονικής, κανονικοποίηση, εγκατάλειψη.
- Κατανοήστε πώς τα νευρωνικά δίκτυα μπορούν να εφαρμοστούν σε δεδομένα φυσικής γλώσσας.
- Να γνωρίζουν πώς να χρησιμοποιούν νευρωνικά δίκτυα για προβλήματα όρασης υπολογιστών.
- Μάθετε πώς να υλοποιείτε και να χρησιμοποιείτε βαθιά νευρωνικά δίκτυα για την επίλυση πραγματικών προβλημάτων στην επιβλεπόμενη μάθηση με χρήση δομημένων δεδομένων.
Περιεχόμενο μαθήματος
Χαρακτηριστικά μαθήματος
Προγραμματισμένες μαθησιακές δραστηριότητες και μέθοδοι διδασκαλίας
Διαλέξεις, συζητήσεις και αντιπαραθέσεις εντός της τάξης, ασκήσεις εντός της τάξης, σύνολα προβλημάτων, ομαδική εργασία, μελέτες περιπτώσεων σε βίντεο, ομαδικές παρουσιάσεις, διαδραστική ηλεκτρονική μάθηση μέσω του Moodle (κουίζ, εργασίες, φόρουμ).
Μέθοδοι και κριτήρια αξιολόγησης
10% συμμετοχή στην τάξη
60% εξέταση
30% ομαδική εργασία
Γλώσσα διδασκαλίας
Αγγλικά
Αναγνώσεις
Συγγράμματα:
1. Ian Goodfellow, Yoshua Bengio, Aaron Courville, Francis Bach, Deep Learning (Adaptive Computation and Machine Learning Series), MIT Press, 2017
Διαδικτυακές πηγές:
https://keras.io/getting_started/intro_to_keras_for_engineers/
https://www.deeplearningbook.org/
English (UK) 
Ελληνικά