University of Pisa Summer - Winter Schools & Foundation Course

Θερινά Σχολεία Νευρωνικά Δίκτυα για Αρχαιολόγους, με Python

Η αρχαιολογία ασχολείται με τη μελέτη του ανθρώπινου παρελθόντος, που διεξάγεται μέσω υλικών υπολειμμάτων, δηλαδή αντικειμένων που κατασκευάζονταν, χρησιμοποιήθηκαν και απορρίφθηκαν στην αρχαιότητα. Ένα από τα πιο σημαντικά καθήκοντα είναι η ταξινόμηση των τεχνουργημάτων, ο καθορισμός της χρονολογίας, της πολιτιστικής απόδοσης, της μορφής, της λειτουργίας και άλλων χαρακτηριστικών. Τα νευρωνικά δίκτυα και η βαθιά μάθηση είναι ισχυρά εργαλεία για την υποστήριξη και διευκόλυνση τέτοιων εργασιών, συχνά χρονοβόρα και σε μεγάλο βαθμό ανάλογα με την προηγούμενη γνώση και τεχνογνωσία.

Αυτό το Θερινό Σχολείο απεικονίζει τη χρήση νευρωνικών δικτύων για την ανάλυση και την ταξινόμηση πολυτροπικών δεδομένων, όπως εικόνες, πίνακες, κείμενα. Διεξάγεται, με πρακτική προσέγγιση, μέσω της Python, μιας από τις κύριες γλώσσες προγραμματισμού του AI και της Επιστήμης Δεδομένων, συμπεριλαμβανομένης μιας μεγάλης ποικιλίας εργαλείων βαθιάς μάθησης και αρχιτεκτονικών δικτύων. Για την αποτελεσματική διεξαγωγή και υποστήριξη της ανάλυσης και της ταξινόμησης δεδομένων που προέρχονται από πίνακες, εικόνες και κείμενα, οι σύγχρονοι αρχαιολόγοι θα πρέπει να είναι σε θέση να ασχολούνται με έννοιες και εργαλεία που σχετίζονται με τις νέες τεχνολογίες. Τέτοιες δεξιότητες δεν υπάρχουν σε ένα τυπικό αρχαιολογικό υπόβαθρο, αν και είναι θεμελιώδεις ακόμη και για την αποτελεσματική αλληλεπίδραση με ειδικούς στις ΤΠΕ.

Το Θερινό Σχολείο θα διαρκέσει 60 ώρες και θα πραγματοποιηθεί από τις 17 Ιουνίου έως τις 28 Ιουνίου 2024, στο Τμήμα Πολιτισμών και Μορφών Γνώσης του Πανεπιστημίου της Πίζας, Ιταλία.

Βιβλιογραφία: Stevens E., Antoga L., Viehmann T., Deep Learning with Pytorch, Manning (2020).

Το πρόγραμμα θα ενεργοποιηθεί επίσης σε λειτουργία εξ αποστάσεως εκπαίδευσης (πλατφόρμα TEAMS).

Σκοπός

Το Θερινό Σχολείο θα επιτρέψει στους συμμετέχοντες να εξερευνήσουν και να οπτικοποιήσουν δεδομένα με Python, να δημιουργήσουν και να εκπαιδεύσουν νευρωνικά δίκτυα από την αρχή ή/και τροποποιώντας προεκπαιδευμένα δίκτυα (transfer learning), προκειμένου να εκτελούν εργασίες ταξινόμησης με βάση εικόνες ή/και κείμενα. Είναι χτισμένο γύρω από ένα νέο πρότυπο, το οποίο λαμβάνει υπόψη τους αρχαιολόγους τόσο ως παραγωγούς όσο και ως χρήστες ψηφιακών αρχαιολογικών δεδομένων.