Διοικητικές πληροφορίες
| Τίτλος | Συνεξελικτικά Νευρωνικά Δίκτυα |
| Διάρκεια | 60 |
| Ενότητα | Β |
| Είδος μαθήματος | Διάλεξη |
| Εστίαση | Τεχνική — Βαθιά Μάθηση |
| Θέμα | Βαθιά μάθηση |
Λέξεις-κλειδιά
CNN, Python, βαθιά μάθηση,
Μαθησιακοί στόχοι
- Να γνωρίζουμε τι είναι ένα CNN και οι κύριες διαφορές του με το πυκνά συνδεδεμένο NN
- Να γνωρίζουμε την κύρια διαφορά μεταξύ των τοπικά συνδεδεμένων στρωμάτων από τα συνδυαστικά στρώματα
- Για να μάθετε πώς να ρυθμίσετε ένα στρώμα CNN
- Στρώματα ομαδοποίησης και ομαλοποίησης παρτίδων
- Για να γνωρίσουμε τα πιο διάσημα CNN: LeNet, AlexNet, ResNet, VGG16, AllConvNet
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Υποχρεωτικό για τους φοιτητές
- Θεωρία για τα Τεχνητά Νευρωνικά Δίκτυα
Προαιρετικό για Φοιτητές
- Καμία
Αναφορές και υπόβαθρο για τους μαθητές
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Βαθιά μάθηση. Ο Τύπος του ΜΙΤ. — Κεφάλαιο 9
Συνιστάται για εκπαιδευτικούς
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Βαθιά μάθηση. Ο Τύπος του ΜΙΤ. — Κεφάλαιο 9
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Αυτή η διάλεξη θα εισαγάγει τους μαθητές στα Συνεξελικτικά Νευρωνικά Δίκτυα (CNN), εξηγώντας τις κύριες διαφορές μεταξύ των κλασικών πλήρως συνδεδεμένων στρωμάτων και των συνδυασμένων στρωμάτων. Τα πλεονεκτήματα της κατανομής βάρους που δίνεται από το Συνθετικό Στρώμα εισάγονται και συζητούνται, μαζί με μια σύγκριση με τα τοπικά συνδεδεμένα στρώματα. Ο χειριστής Convolution εισάγεται και το μέγεθος του πυρήνα, ο διασκελισμός και η επένδυση συζητούνται ως οι κύριοι υπερπαράμετροι ενός συνδυασμένου στρώματος. Στη συνέχεια, τα στρώματα Pooling και Batch Normalization θα εισαχθούν ως μέρος πολλών αρχιτεκτονικών του CNN. Για να μην καταλάβει κανείς καλύτερα τι έχει μάθει ένα συνδυασμένο στρώμα, θα εισαχθούν πιθανοί τρόποι για να απεικονιστούν τα μαθημένα φίλτρα. Τέλος, θα παρουσιαστεί μια εισαγωγή στις πιο διάσημες αρχιτεκτονικές του CNN, όπως το NetworkInnetwork και το LeNet.
- Εισαγωγή στα CNN
- Κύρια ζητήματα σχετικά με τα πλήρως συνδεδεμένα στρώματα για δεδομένα υψηλής διάστασης
- Συνεξέλικτος χειριστής
- Περιγραφή ενός συνδυαστικού στρώματος από την άποψη των νευρώνων
- Συνδυαστικά στρώματα
- Κύριες ιδιότητες ενός συνδυασμένου στρώματος
- Τοπική συνδεσιμότητα
- Επιμερισμός βάρους
- Υπερπαραμέτρα συνεξέλιξης στρώματος
- Μέγεθος φίλτρου
- Διασκελισμός
- Γέμισμα
- Κύριες ιδιότητες ενός συνδυασμένου στρώματος
- Ομαδοποίηση στρωμάτων
- Οπτικοποίηση στρωμάτων
- Γνωστές αρχιτεκτονικές
- Λενέτ
- Νιν
Χρονοδιάγραμμα
| Διάρκεια (ελάχ.) | Περιγραφή | Έννοιες | Δραστηριότητα | Υλικό |
|---|---|---|---|---|
| 10 | Εισαγωγή στα CNN | |||
| 15 | Συνδυαστικά στρώματα | |||
| 5 | Ομαδοποίηση στρωμάτων | |||
| 15 | Οπτικοποίηση στρωμάτων | |||
| 15 | Γνωστές αρχιτεκτονικές |
Αναγνωρίσεις
Ευχαριστούμε τον Eng. Andrea Apicella για τη συμβολή του στην ανάπτυξη του υλικού.
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.