תוכן הקורס ומטרתו
למידה עמוקה
20% שיעורי בית. 80% פרויקט סופי
- מבני רשתות עצביות: פרספטרון רב שכבתי, רשתות קונבולוציה, רשתות חוזרות, רשתות עם זכרון, רשתות שארית.
- אלגוריתם הbackpropagation
- אלגוריתם stochastic gradient descent ותכונותיו
-פונקציות מחיר ושיטות אופטימיזציה מסדר ראשון (גודל צעד משתנה, שיטת מומנטום, שיטת נסטרוב, אלגוריתם אדם ואחרים)
-למידה עמוקה עבור בעיות סיווג ורגרסיה
-מעבר מסיווג לזיהוי עצמים: שיטת region CNN (RCNN) והרחבותיה השונות, , YOLO, SSD ושיטות מתקדמות אחרות.
- פילוח סמנטי: בנייה של רשתות קונבלוציה מלאות מרשתות סיווג לשם פתרון בעיות פילוח. שיטת mask-RCNN להמרת רשתות גילוי עצמים לרשתות פילוח.
- שדות אקראיים מותנים ושימושיהם עם רשתות עמוקות
- למידת מטריקת מרחקים - triplet loss, contractive loss, angular loss, זיהוי פנים בעזרת למידה עמוקה
- למידה עמוקה עבור מודלי שפה - הקדמה קצרה על מודלים מרקובים נסתרים ומודלי שפה, מודל n-grams, ייצוגי מילים, שיטת word2vec, תרגום מכונה, שיטת המקודד-מפענח, מנגנון הattention.
- למידה עמוקה עבור דיבור - המרת תרגום לטקסט, זיהוי דובר, ייצור דיבור (מבנה wavenet).
- מודלים יוצרים - autoencoder, variational autoencoder, רשתות יריביות יוצרות (GAN), wasserstein GAN, GAN מעגלי.
- למידה עמוקה עבור מידע גיאומטרי - למידה עמוקה ספטרלית, pointNet.
ספרות:
Book: Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT press
מאמרים חדשניים מהעת האחרונה הסוקרים שיטות חדשות בלמידה עמוקה
לסילבוס המפורט