Μαθησιακά Αποτελέσματα
Το μάθημα αποσκοπεί στην εξοικείωση των φοιτητών με θεμελιώδεις έννοιες της τεχνητής νοημοσύνης και μηχανικής μάθησης καθώς και την πρακτική εφαρμογή τους στο διαδίκτυο των πραγμάτων.
Στόχοι του μαθήματος περιλαμβάνουν:
Με την ολοκλήρωση του μαθήματος οι φοιτητές αναμένεται να έχουν επαρκείς γνώσεις για την υλοποίηση εφαρμογών τεχνητής νοημοσύνης και μηχανικής μάθησης στο διαδίκτυο των πραγμάτων, συμπεριλαμβανομένων και εφαρμογών που εκτελούνται σε περιβάλλοντα ακμής (edge).
Περιεχόμενο Μαθήματος
1η Εβδομάδα: Εισαγωγή – ορισμοί. Τι είναι το διαδίκτυο των πραγμάτων και η τεχνητή νοημοσύνη και ποια η μεταξύ τους σύνδεση. Εξέλιξη της τεχνητής νοημοσύνης ιστορικά και τι είναι εφικτό σήμερα. Ο ρόλος της μηχανικής μάθησης στα προβλήματα τεχνητής νοημοσύνης.
2η Εβδομάδα: Τι είναι η μηχανική μάθηση. Τύποι προβλημάτων μηχανικής μάθησης. Σε τι διαφέρει η μηχανική μάθηση από τη βελτιστοποίηση. Υποεκπαίδευση, υπερεκπαίδευση και γενίκευση. Υποθέσεις της στατιστικής μηχανικής μάθησης. Μοντέλα γραμμικής παλινδρόμησης. Μέθοδος ελαχίστων τετραγώνων και κανονικές εξισώσεις. Εφαρμογή στο περιβάλλον scikit-learn.
3η Εβδομάδα: Μοντέλα Perceptron. Λογιστική παλινδρόμηση μίας και πολλών μεταβλητών. Η σιγμοειδής συνάρτηση και η συνάρτηση softmax. Εκτίμηση μέγιστης πιθανοφάνειας. Δυαδική διεντροπία και κατηγορική διεντροπία (cross-entropy). Η βελτιστοποίηση στοχαστικής κατάβασης κλίσης. Πλήρως συνδεδεμένα τεχνητά νευρωνικά δίκτυα. Εφαρμογή στο περιβάλλον scikit-learn.
4η Εβδομάδα: Συναρτήσεις ενεργοποίησης. Αρχικοποίηση παραμέτρων ΤΝΔ. Εισαγωγή στο περιβάλλον Tensorflow/Keras. Το Sequential API. Το Functional API. Model subclassing. Παρουσίαση μιας τυπικής ροής εκπαίδευσης και αξιολόγησης μοντέλων ΤΝΔ.
5η Εβδομάδα: Μέθοδοι εκπαίδευσης ΤΝΔ. Ο αλγόριθμος backpropagation. Παραδείγματα. Μέθοδοι βελτιστοποίησης SGD, AdaGrad, RMSprop και Adam. Τεχνικές ομαλοποίησης για τον έλεγχο χωρητικότητας. Μέθοδοι επιλογής υπερπαραμέτρων ΤΝΔ. Παραδείγματα εφαρμογής στο Tensorflow. Συζήτηση γύρω από το AutoML.
6η Εβδομάδα: Συνελικτικά νευρωνικά δίκτυα και αλγόριθμοι εκπαίδευσής τους. Εφαρμογή σε εικόνες. Τα δίκτυα VGG και ResNet. Τα νευρωνικά δίκτυα ως μηχανισμοί εκμάθησης χαρακτηριστικών. Παραδείγματα εφαρμογής.
7η Εβδομάδα: Αναγνώριση αντικειμένων σε εικόνες. Παρουσίαση της μεθόδου You Only Look Once (YOLO). Άλλες σύγχρονες μέθοδοι αναγνώρισης αντικειμένων. Παραδείγματα εφαρμογής.
8η Εβδομάδα: Μοντέλα ακολουθιών. Επαναλαμβανόμενα νευρωνικά δίκτυα. Τα μοντέλα LSTM και GRU. Τα δίκτυα Transformer.
9η Εβδομάδα: Συνδυασμός συνελτικών και επαναλαμβανόμενων νευρωνικών δικτύων για την επεξεργασία μονοδιάστατων σημάτων από αισθητήρες. Παράδειγμα εφαρμογής σε ιατρικά σήματα και σε σήματα φορητών αισθητήρων.
10η Εβδομάδα: Εισαγωγή στην αυτόματη επεξεργασία φυσικής γλώσσας. Μέθοδοι ενσωμάτωσης λέξεων. Η μέθοδος Word2Vec. Η μέθοδος BERT. Παραδείγματα εφαρμογής.
11η Εβδομάδα: Ζητήματα σχετικά με την υλοποίηση εφαρμογών τεχνητής νοημοσύνης σε περιβάλλοντα ακμής. Συμπίεση μοντέλων. Το περιβάλλον Tensorflow Lite για Edge AI. Πρακτικά ζητήματα: Διαδικασία εκπαίδευσης και επιλογής μοντέλων. Εύρεση labels για την εκπαίδευση. Αντιμετώπιση του θορύβου ετικετών.
12η Εβδομάδα: Παρουσιάσεις εργασιών