" *Διάρκεια:* Δευτέρα 15/6 με Παρασκευή 19/6, 10:00 π.μ. - 4:00 μ.μ. *Απευθύνεται σε:* Μαθητές που έχουν ολοκληρώσει τη Γ΄ Γυμνασίου έως και τη Γ΄ Λυκείου, που ενδιαφέρονται να μάθουν τις βασικές ιδέες της μηχανικής μάθησης (Machine Learning), των νευρωνικών δικτύων (Neural Networks) και των μεγάλων γλωσσικών μοντέλων (LLMs) και πώς εφαρμόζονται σε Python. *Προαπαιτούμενα:* Κάποια βασική γνώση προγραμματισμού (ιδανικά, σε Python), εξοικείωση με το υλικό που παρουσιάζεται σε αυτή τη σειρά διαλέξεων <https://caramanis.github.io/MachineLearningClass/> και λογαριασμός Gmail για χρήση του Google Colab. *Στόχος του προγράμματος:* Οι μαθητές να αποκτήσουν μια πρώτη ουσιαστική επαφή με τη σύγχρονη τεχνητή νοημοσύνη, τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο. ------------------------------ Οι 5 μέρες θα συνδυάζουν: (1) Βασικές ιδέες και έννοιες από τη μηχανική μάθηση – εκπαίδευση αλγορίθμων, επιτηρούμενη/επιβλεπόμενη μάθηση, κ.λπ. (2) Υλοποίηση αλγορίθμων στην Python, με διάφορα σύνολα δεδομένων, με παραδείγματα σε επεξεργασία φυσικής γλώσσας (natural language processing) και μηχανική όραση (computer vision). (3) Βαθιά Νευρωνικά Δίκτυα (Deep Learning). (4) Χρήση και εκπαίδευση αυτών των μοντέλων μέσω της Python, PyTorch και Hugging Face. (5) Ανάλογα με τα ενδιαφέροντα των μαθητών, κάποιες από τις διδακτικές ώρες θα αφιερωθούν σε πιο προχωρημένο μαθηματικό και αλγοριθμικό υλικό σχετικό με τη μηχανική μάθηση. Θα καλύψουμε επίσης ύλη σχετική με τα θέματα της Διεθνούς Ολυμπιάδας Τεχνητής Νοημοσύνης <https://pdtn.gr/> ------------------------------ Τι θα καλύψουμε: Η μοντέρνα μηχανική μάθηση χρησιμοποιεί κατά κύριο λόγο *βαθιά νευρωνικά δίκτυα* (deep neural nets), τόσο για προβλήματα μηχανικής όρασης όσο και για επεξεργασία φυσικής γλώσσας. Το ChatGPT και άλλα παρόμοια μοντέλα είναι χτισμένα ως συνδυασμός πολλών γραμμικών και μη γραμμικών επιπέδων, όπως τα γραμμικά επίπεδα (fully-connected layers), τα συνελικτικά επίπεδα (convolutional layers), τα επίπεδα self-attention, και τα ReLU. Θα μάθουμε τι είναι αυτά, πότε τα χρησιμοποιούμε και πώς λειτουργούν στο πλαίσιο των βασικών ιδεών της μηχανικής μάθησης. *Ιατρική Απεικόνιση* Το μάθημα έχει ως αφετηρία την υλοποίηση συνελικτικών δικτύων (CNNs) και τη μέθοδο του Transfer Learning, όπως την παρουσιάσαμε στα τελευταία διαδικτυακά μαθήματα <https://www.youtube.com/playlist?list=PLXsmhnDvpjOSYdEt3QjLeFSQPoZrR3XJg>. Θα αρχίσουμε με την υλοποίηση ενός προγράμματος που λύνει ένα θεμελιώδες πρόβλημα στη μηχανική όραση (Computer Vision) – την ταξινόμηση. Θα χρησιμοποιήσουμε ένα σύνολο δεδομένων ιατρικής απεικόνισης (medical imaging). Η ιατρική απεικόνιση είναι ένας τομέας όπου η μηχανική μάθηση και η τεχνητή νοημοσύνη έχουν ήδη κάνει αισθητή πρόοδο: συστήματα τεχνητής νοημοσύνης βοηθούν στη διάγνωση διαφόρων καρκίνων και άλλων παθήσεων, με αποτέλεσμα η αποδοτικότητα να ξεπερνά κατά πολύ τις δυνατότητες που είχαμε μέχρι και πριν λίγα χρόνια. - Το σύνολο δεδομένων μας προέρχεται από το πρόβλημα της διάγνωσης του καρκίνου του μαστού. Θα χρησιμοποιήσουμε ένα ανωνυμοποιημένο σύνολο δεδομένων με υπερηχογραφήματα. - Θα αναπτύξουμε τα απαραίτητα εργαλεία από τη μηχανική όραση: - PyTorch - Fully Connected Layers and ReLU - Convolutional Neural Networks - Transfer Learning *Από το Transfer Learning στην Παραγωγική Τεχνητή Νοημοσύνη* Η τεχνική του Transfer Learning είναι θεμελιώδης στη μηχανική μάθηση, και οι περισσότερες εφαρμογές που έχουμε δει και θα δούμε τα επόμενα χρόνια χρησιμοποιούν ιδέες από Transfer Learning. Είναι επίσης η γέφυρα προς την παραγωγική τεχνητή νοημοσύνη (Generative AI). Θα συνεχίσουμε την εβδομάδα μιλώντας για: - Σημασιολογικές ενσωματώσεις για εικόνες - Σημασιολογικές ενσωματώσεις για λέξεις (Word2Vec) - Σημασιολογικές ενσωματώσεις για κείμενο Οι σημασιολογικές ενσωματώσεις μας οδηγούν στα μεγάλα γλωσσικά μοντέλα (Large Language Models / LLMs). Θα δούμε πώς χτίζονται και πώς εκπαιδεύονται, και θα μιλήσουμε για το πολύ σημαντικό πρόβλημα της αναζήτησης σε βάση γνώσεων. Με την ολοκλήρωση της εβδομάδας, στόχος είναι οι μαθητές να έχουν τις απαιτούμενες γνώσεις ώστε να μπορούν να εφαρμόσουν τις ιδέες και τον κώδικα που αναπτύξαμε, για να χτίσουν και να λύσουν προβλήματα που αντιστοιχούν στα ενδιαφέροντά τους. Διδακτικό Προσωπικό Κωνσταντίνος Καραμανής – Καθηγητής στη Σχολή Ηλεκτρολόγων Μηχανικών, The University of Texas at Austin, και Archimedes AI." ... -- ''Είμαι απαισιόδοξος λόγω ευφυΐας και αισιόδοξος λόγω θέλησης.'', *Αντόνιο Γκράμσι <https://www.gnomikologikon.gr/authquotes.php?auth=904>.* - Θεόδωρος Καρούνος <http://karounos.gr/blog/>, PGP KEY <https://www.karounos.gr/blog/theodoros-g-karounos-public-pgp-key> ______________________________________________________________ https://mathe.ellak.gr/ - https://ellak.gr/wiki/ - https://gfoss.eu/ - https://ellak.gr/
---- Λαμβάνετε αυτό το μήνυμα απο την λίστα: Λίστα αλληλογραφίας της ομάδας εργασίας της ΕΕΛ/ΛΑΚ για το Ανοικτό περιεχόμενο στην Εκπαίδευση, https://lists.ellak.gr/wg-oer/listinfo.html Μπορείτε να απεγγραφείτε από τη λίστα στέλνοντας κενό μήνυμα ηλ. ταχυδρομείου στη διεύθυνση <wg-oer+unsubscribe [ at ] ellak [ dot ] gr>.