22961 למידה עמוקה[4098]

4 נקודות זכות תואר שני

שיוך: תואר שני / למידת מכונה וניתוח נתוני עתק

שיוך נוסף: תואר שני / מדעי המחשב

מחלקה: מתמטיקה ומדעי המחשב

דרישות קדם

תנאי קבלה לתואר השני: 
קבלה לתואר שני במדעי המחשב. ידע קודם דרוש: מבוא ללמידת מכונה. ידע קודם מומלץ: כריית מידע.
קבלה לתואר שני בלמידת מכונה וניתוח נתוני עתק. ידע קודם דרוש: מבוא ללמידת מכונה.

תנאי קבלה לתואר הראשון:
36 נ"ז עבור קורסים קודמים ובנוסף פטור מקורסי שפה באנגלית ועמידה בדרישות ההדרכה הביבליוגרפית בספרייה. ידע קודם דרוש: מבוא ללמידת מכונה.
 

שפת ההוראה

עברית

תיאור הקורס ומטרותיו

למידה עמוקה היא תחום מרכזי בלמידת מכונה ובבינה מלאכותית, המבוסס על רשתות נוירונים מלאכותיות בעלות שכבות רבות. שיטות אלו עומדות בבסיס פריצות דרך בתחומים כגון ראייה ממוחשבת, עיבוד שפה טבעית ומודלים גנרטיביים. הקורס מציג את העקרונות המרכזיים בתכנון רשתות נוירונים, באימונן ובהתאמתן למשימות כגון סיווג ורגרסיה. במהלך הקורס יכירו הסטודנטיות והסטודנטים ארכיטקטורות מרכזיות וכלים מעשיים לבנייה ולאימון של מודלים באמצעות PyTorch, וירכשו בסיס להמשך לימוד, מחקר ויישום בתחום.

הסדר המומלץ ללימוד סדרת הקורסים בלמידת מכונה הוא כזה: מתמטיקה ללמידת מכונה, מבוא ללמידת מכונה, למידה עמוקה.

סטודנטיות וסטודנטים המתכננים ללמוד יותר מקורס אחד מקבוצה זו באותו סמסטר מתבקשים להביא בחשבון שקיימת חפיפה בין מועדי הבחינות של הקורסים.

ידע כישורים ומיומנויות שירכשו בקורס (תוצרי הלמידה)

בסיום הקורס הסטודנטיות והסטודנטים יהיו מסוגלים:

• להסביר את עקרונות הפעולה של רשתות נוירונים מלאכותיות ושל מודלים בלמידה עמוקה.
• לבנות ולאמן מודלים של למידה עמוקה באמצעות ספריית PyTorch.
• להתאים מבנה של רשת נוירונים ופונקציית מטרה למשימות כגון סיווג ורגרסיה.
• ליישם שיטות אופטימיזציה ורגולריזציה לצורך אימון רשתות נוירונים.
• לנתח את המבנה ואת השימושים של רשתות קונבולוציוניות, רשתות נשנות וארכיטקטורות מקודד-מפענח.
• ליישם מודלים של למידה עמוקה במשימות מעשיות בתחומי עיבוד שפה טבעית, ראייה ממוחשבת ומודלים גנרטיביים.

שיטת ההוראה

הלמידה בקורס מתבצעת בשיטת הרצפים ומשלבת צפייה בהרצאות מוקלטות באנגלית, לימוד באמצעות מדריך למידה בעברית ומפגשי הנחיה. במפגשי ההנחיה יורחבו ויועמקו נושאים הנדונים במדריך באופן מלא או חלקי, וכן נושאים שאינם מכוסים בו. נוסף על כך, הסטודנטיות והסטודנטים יתנסו בתרגול מעשי ויגישו מטלות הכוללות כתיבת קוד בשפת Python ובנייה ואימון של מודלים באמצעות ספריית PyTorch. שילוב זה נועד לחבר בין הבנת העקרונות והארכיטקטורות של למידה עמוקה לבין יישומם המעשי.
חומר הלימוד
הלימוד בקורס מבוסס על הרצאות מוקלטות באנגלית ועל מדריך למידה בעברית. חומרי הלימוד מלווים בתרגול מעשי ובמטלות תכנות בשפת Python תוך שימוש בספריית PyTorch לבנייה ולאימון של מודלים בלמידה עמוקה.

נושאי הלימוד

חלק ראשון: נושאים בסיסיים

• שימוש בספריית PyTorch לבנייה ולאימון של מודלים בלמידה עמוקה.
• הפרספטרון הרב-שכבתי כמודל בסיסי בלמידה עמוקה.
• פונקציות מטרה והתאמתן למשימות שונות.
• אלגוריתמים לאימון רשתות נוירונים.
• שיטות אופטימיזציה ורגולריזציה.

חלק שני: ארכיטקטורות של רשתות נוירונים מלאכותיות

• רשתות נוירונים קונבולוציוניות (CNNs).
• רשתות נוירונים נשנות (RNNs) .
• ארכיטקטורות מקודד-מפענח.

חלק שלישי: שימושים של רשתות נוירונים מלאכותיות

• עיבוד שפה טבעית.
• ראייה ממוחשבת.
• מודלים גנרטיביים.

הערות