یادگیری عمیق پیشرفته

Advanced Deep Learning

مقطع: تحصیلات تکمیلی گرایش: هوش مصنوعی
نوع درس: نظری تعداد واحد: ۳
پیش‌نیاز: – هم‌نیاز: –

هدف کلی

هدف این درس آشنا نمودن دانشجویان با مفاهیم پیشرفته و جدیدترین یافته‌ها در رایانش عصبی و یادگیری عمیق و کاربرد این روش‌ها در حل انواع مسائل است. تأکید ویژه درس بر روی اصول یادگیری روی گراف و شبکه‌های عصبی گرافی مختلف و انواع شبکه‌های مولد، مانند خودکدگذار تغییراتی، جریان‌های نرمال‌ساز، شبکه مولد تقابلی و توسعه‌های مختلف آن، و مدل‌های پخشی است. دانشجویان پروژه‌های متعددی انجام خواهند داد که با پیاده‌سازی‌ها و کاربردها بطور ملموس آشنا شوند. این درس در حقیقت مکمل درس یادگیری عمیق است.

سرفصل‌ها

  1. مروری بر روندهای توسعه شبکه‌های عمیق و وضعیت آینده آن
  2. شبکه‌های گرافی: یادگیری ماشین بر روی گراف‌ها، تعبیه گره
  3. شبکه گرافی پیچشی، شبکه توجه گرافی، طراحی شبکه‌های گرافی، ساده‌سازی شبکه‌های گرافی پیچشی
  4. یادگیری ارائه گراف سلسله مراتبی
  5. گراف‌های ناهمگن و شبکه مبدل گراف ناهمگن
  6. گراف دانش و استدلال روی گراف دانش
  7. تطبیق سریع زیرگراف‌ها، مقیاس به گراف‌های بزرگ
  8. مدل‌های مولد عمیق برای گراف‌ها
  9. شبکه مبدل گراف، شبکه‌های گرافی آگاه از مکان و آگاه از هویت
  10. مدل‌های مولد: مفاهیم و کاربردها، شبکه خودکدگذار تغییراتی، مدل‌های جریان‌های نرمال‌ساز
  11. شبکه مولد تقابلی پایه (گن)، واسراشتاین گن، گن شرطی، گن رشد یابنده تدریجی، گن سبک، گن سیکلی
  12. مدل‌های پخشی: مبانی ریاضی، آموزش و کاربردها

ارزیابی پیشنهادی

منابع پیشنهادی

  1. I. Goodfellow, Y. Bengio, and A. Courville. Deep Learning. MIT Press, 2016.
  2. A. Zhang, Z. C. Lipton, M. Li and A. J. Smola. Dive into Deep Learning. Cambridge University Press, 2023.
  3. S. Samarasinghe. Neural Networks for Applied Sciences and Engineering. Taylor & Francis, 2006.
  4. S. Haykin. Neural Networks and Learning Machines. Prentice-Hall, 2009.