Περιγραφή
Εκμάθηση περίπλοκων αναπαραστάσεων σε δεδομένα, μέσω της ανάλυσής τους σε μιας ιεραρχία απλούστερων εννοιών. Βαθιά δίκτυα πρόσθιας τροφοδότησης, τεχνικές ομαλοποίησης (πρόωρη διακοπή, dropout), αλγόριθμοι βελτιστοποίησης (nesterov momentum, RMSProp, AdaGrad, Adam), τα συνελικτικά δίκτυα (λειτουργίες συνέληξης, pooling), τα βαθιά ανατροφοδοτούμενα δίκτυα, τα βαθιά δίκτυα αυτοενισχυόμενης μάθησης, τα αναδρομικά δίκτυα (RNN, GRU, LSTM), τα deep belief networks, τα generative adversarial networks (GAN), οι αυτοκωδικοποιητές καθώς και εφαρμογές τους σε διάφορες περιοχές όπως η ανάλυση εικόνας, η όραση υπολογιστών και η επεξεργασία φυσικής γλώσσας.
Εξάμηνο
Εαρινό Εξάμηνο
Κατηγορία
Επιλογής
Ώρες Θεωρίας
1 ώρα
Ώρες Εργαστηρίου
2 ώρες
Credits
5