Καθηγητές Μαθήματος
ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ
Ο στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με το αντικείμενο της εκμάθησης μηχανής, δηλαδή με τις διαδικασίες διδασκαλίας εννοιών σε έναν υπολογιστή χωρίς την ανάγκη άμεσου προγραμματισμού. Πρόκειται για ένα σύγχρονο επιστημονικό πεδίο της τεχνητής νοημοσύνης ΑΙ, ήδη αρκετά διαδεδομένο, που βρίσκει μεγάλο πλήθος εφαρμογών (όραση υπολογιστών, αναγνώριση/κατανόηση ομιλίας, αποτελεσματική διαδικτυακή αναζήτηση, ιατρική/φαρμακευτική, αυτόνομη οδήγηση).
Με την ολοκλήρωση του μαθήματος ο φοιτητής:
- Θα έχει κατανοήσει και θα είναι ικανός να περιγράψει, αναλύσει και συγκρίνει τις διαφορετικές κατηγορίες των μεθόδων εκμάθησης μηχανής, επιβλεπόμενης (supervised), μη επιβλεπόμενης (unsupervised) και ενισχυτικής (reinforcement).
- Θα είναι ικανός να εφαρμόζει και να προγραμματίζει αλγόριθμους βελτιστοποίησης σε παρα- δείγματα εφαρμογών για την πρόγνωση τιμών όσο και την ταξινόμηση δεδομένων σε κατηγορίες (γραμμική και λογιστική παλινδρόμηση).
- Θα έχει κατανοήσει και θα είναι σε θέση να επιλέγει τις κατάλληλες μορφές των συναρτήσεων υπόθεσης (γραμμικές, μη γραμμικές) και συναρτήσεων κόστους στους αλγόριθμους παλινδρόμησης (γραμμικής και λογιστικής) ενώ ταυτόχρονα θα μπορεί να εφαρμόζει τεχνικές για την αποφυγή της υπερπαραμετροποίησης.
- Θα κατανοεί και θα μπορεί να εφαρμόζει αλγόριθμους δυαδικής ταξινόμησης και ταξινόμησης σε περισσότερες κατηγορίες.
- Θα είναι σε ικανός να ελέγχει και να αξιολογεί την συνεισφορά διαφορετικών μεταβλητών εισόδου αλλά και να διαχωρίζει τα δεδομένα εκπαίδευσης σε διαφορετικές ομάδες για την εκπαίδευση και τον έλεγχο των αλγορίθμων εκμάθησης μηχανής. Ταυτόχρονα θα είναι σε θέση να υπολογίζει μέτρα αξιολόγησης των διαφορετικών αλγορίθμων εκμάθησης (precision, recall, f1).
- Θα έχει κατανοήσει την αρχή λειτουργίας των τεχνητών νευρωνικών δικτύων (artificial neural networks) και θα είναι σε θέση να εκπαιδεύει απλές αρχιτεκτονικές δικτύων σε παραδείγματα ταξινόμησης.
- Θα κατανοεί και θα είναι σε θέση να προγραμματίζει αλγόριθμους συσταδοποίησης (clustering) και να τους εφαρμόζει στην κατάτμηση ψηφιακών εικόνων.
- Θα κατανοεί και θα εφαρμόζει μεθόδους και τεχνικές για τον εντοπισμό αποκλινουσών περιπτώσεων (anomaly detection).
- Θα είναι ικανός να μειώσει το πλήθος των μεταβλητών ενός αλγορίθμου μηχανικής εκμάθησης εντοπίζοντας ποιες από αυτές είναι μη συσχετισμένες μέσω ανάλυσης κυρίων συνιστωσών (Principal Component Analysis).
Γενικές Ικανότητες
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Αυτόνομη εργασία
- Εργασία σε διεπιστημονικό περιβάλλον
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
- Εισαγωγή, ιστορική αναδρομή
- μέθοδοι βελτιστοποίησης (γραμμική και λογαριθμική παλινδρόμηση)
- στατική/δυναμική παλινδρόμηση
- παλινδρόμηση μίας και περισσότερων μεταβλητών)
- επιβλεπόμενη, μη επιβλεπόμενη και ενισχυτική μάθηση (supervised, unsupervised,reinforcement learning)
- ταξινόμηση
- κανονικοποίηση
- Τεχνητά νευρωνικά δίκτυα (μοντέλα και αρχιτεκτονικές, forward-backward, backpropagation)
- Support Vector Machines (γραμμική και μη γραμμική ταξινόμηση)
- clustering (k-means, DBSCAN, Gaussian)
- μείωση διαστασιμότητας (Principal Components Analysis)
- παραδείγματα εφαρμογών και ανάπτυξη αλγορίθμων εκμάθησης μηχανής
Μέθοδος Αξιολόγησης
- Γραπτή εξέταση στο τέλος του εξαμήνου (70%), με συνδυασμό ερωτήσεων κρίσης και αριθμητικών ασκήσεων
- Αξιολόγηση της απόδοσης στις εργαστηριακές ασκήσεις (30%)
ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ
Ελληνική
- Simon Η., 2010. Νευρωνικά δίκτυα και μηχανική μάθηση. Μετάφραση Ελένη Γκαγκάτσιου, Εκδόσεις Παπασωτηρίου, Αθήνα
- Διαμαντάρας Κ., 2007. Τεχνητά Νευρωνικά Δίκτυα. Εκδόσεις Κλειδάριθμος, Αθήνα
Ξενόγλωσση
- C. Bishop, 2006. Pattern Recognition and Machine Learning, Springer-Verlag New York
- Goodfellow I., Bengio Y. and Courville A., Deep Learning, MIT Press