Credit points: 3
הקורס מכסה מגוון רחב של אלגוריתמי למידה עמוקה ויישום יעיל שלהם עלחומרה ייעודית. בפרט הקורס יכסה נושאים הבאים: פרספטרון רב-שכבתי, רשתות קונבולוציה, רשתות רקורסיביות, למידה בלתי מונחית, מודלים גנרטיביים,למידה על גרפים, דחיסת רשתות וכו. בחלק החומרתי נסקור ארכיטקטורותייעודיות עבור אימון והאצת רשתות עצביות עמוקות.תוצאות למידה:בסיום הקורס הסטודנט:1. ידע אספקטים תאורטיים ומעשיים של בניית רשתות עצביות עמוקות.2. ידע לבנות רשתות עצביות עמוקות תוך שימוש בחבילות תוכנה ייעודיות.3. ידע שיטות אופטימיזציה שונות המאפשרות ביצוע יעיל של אפליקציות למידהעל מאיצים חישוביים.4. יבצע פרויקט מחקרי מסכם.
the course covers wide range of deep learning algorithms and theirefficient implementation on dedicated hardware. in particular, thecourse will cover following topics: multilayer perceptron,convolutional networks, recurrent networks, unsupervised networks,generative models, learning on graphs, network compression etc. thehardware section will overview dedicated architectures for trainingand accelerating deep neural networks.learning outcomes: at the end of the course, the student will: 1. know the theoretical and practical aspects constructing deep neuralnetworks.2. know how to construct deep neural networks using dedicated softwareframeworks.3. know diverse optimization techniques allowing efficientimplementation of machine learning applications on computationaccelerators.4. perform a concluding research project.
הקורס מכסה מגוון רחב של אלגוריתמי למידה עמוקה ויישום יעיל שלהם עלחומרה ייעודית. בפרט הקורס יכסה נושאים הבאים: פרספטרון רב-שכבתי, רשתות קונבולוציה, רשתות רקורסיביות, למידה בלתי מונחית, מודלים גנרטיביים,למידה על גרפים, דחיסת רשתות וכו. בחלק החומרתי נסקור ארכיטקטורותייעודיות עבור אימון והאצת רשתות עצביות עמוקות.תוצאות למידה:בסיום הקורס הסטודנט:1. ידע אספקטים תאורטיים ומעשיים של בניית רשתות עצביות עמוקות.2. ידע לבנות רשתות עצביות עמוקות תוך שימוש בחבילות תוכנה ייעודיות.3. ידע שיטות אופטימיזציה שונות המאפשרות ביצוע יעיל של אפליקציות למידהעל מאיצים חישוביים.4. יבצע פרויקט מחקרי מסכם.
the course covers wide range of deep learning algorithms and theirefficient implementation on dedicated hardware. in particular, thecourse will cover following topics: multilayer perceptron,convolutional networks, recurrent networks, unsupervised networks,generative models, learning on graphs, network compression etc. thehardware section will overview dedicated architectures for trainingand accelerating deep neural networks.learning outcomes: at the end of the course, the student will: 1. know the theoretical and practical aspects constructing deep neuralnetworks.2. know how to construct deep neural networks using dedicated softwareframeworks.3. know diverse optimization techniques allowing efficientimplementation of machine learning applications on computationaccelerators.4. perform a concluding research project.