Αρχές και Μέθοδοι Μηχανικής Μάθησης

Γενικά

Μαθησιακά Αποτελέσματα

Σκοπός του μαθήματος είναι η εισαγωγή του φοιτητή στις βασικές αρχές και τα προβλήματα της μηχανικής μάθησης όπως η αναγνώριση προτύπων, η πρόβλεψη τιμών και η συσταδοποίηση. Δίνονται το απαραίτητο μαθηματικό υπόβαθρο καθώς και τα βασικά προγραμματιστικά εργαλεία για την υλοποίηση και εφαρμογή των σχετικών αλγορίθμων. Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής θα είναι σε θέση:

  • Να γνωρίζει τις βασικότερες μεθόδους μηχανικής μάθησης και τα πεδία εφαρμογής τους
  • Να κατανοεί τους βασικούς τύπους προβλημάτων που μπορεί να εφαρμοστεί η μηχανική μάθηση
  • Να αναλύει απλά προβλήματα μάθησης και να εφαρμόζει τις κατάλληλες μεθόδους για την επίλυσή τους
  • Να να υλοποιεί βασικά μοντέλα μάθησης με κατάλληλα προγραμματιστικά εργαλεία
  • Να αξιολογεί την επίδοση των μοντέλων μάθησης

Περιεχόμενο Μαθήματος

  • Εισαγωγή στη μηχανική μάθηση, βασικές έννοιες, τα προβλήματα της αναγνώρισης προτύπων, της παλινδρόμησης, της συσταδοποίησης και της εξαγωγής χαρακτηριστικών
  • Χρήσιμες μαθηματικές έννοιες από τη γραμμική άλγεβρα, θεωρία πινάκων, ανάλυση ιδιοτιμών, θεωρία πιθανοτήτων, θεωρία βελτιστοποίησης
  • Γενίκευση, η μέθοδος cross-validation
  • Εισαγωγή στα Τεχνητά Νευρωνικά Δίκτυα, ο γραμμικός νευρώνας, τα δίκτυα Perceptron, και Adaline
  • Νευρωνικά Δίκτυα πολλών στρωμάτων (Multi-Layer Perceptron) ο κανόνας Back-Propagation
  • Ανταγωνιστική μάθηση – Δίκτυα αυτοογράνωσης
  • Βασικά αναδρομικά δίκτυα, συνειρμική μνήμη, το δίκτυο Hopfield
  • Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines), η έννοια του περιθωρίου, γραμμικοί και μη γραμμικοί πυρήνες, παλινδρόμηση με διανύσματα υποστήριξης
  • Βασικές μέθοδοι συσταδοποίησης, ο αλγόριθμος k-means
  • Επιλογή χαρακτηριστικών
  • Ανάλυση κυρίων συνιστωσών (Principal Component Analysis – PCA), Ανάλυση παραγόντων (Factor Analysis),

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο θεωρητική διδασκαλία (παράδοση, συζήτηση, επίλυση προβλημάτων).
  • Προαιρετικές ασκήσεις προγραμματισμού
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
  • Χρήση της πλατφόρμας moodle.teithe.gr
Οργάνωση Διδασκαλίας
Δραστηριότητα Φόρτος εργασίας εξαμήνου
Διαλέξεις52
Ατομική Μελέτη και ανάλυση βιβλιογραφίας128
Σύνολο 180
Αξιολόγηση φοιτητών

Τελική γραπτή εξέταση με συνδυασμό ερωτήσεων πολλαπλής επιλογής, σύντομης απάντησης και επίλυσης προβλημάτων
Προαιρετικές ασκήσεις

Συνιστώμενη Βιβλιογραφία

Συγγράμματα μέσω του συστήματος "Εύδοξος"
  1. Κωνσταντίνος Διαμαντάρας, Δημήτρης Μπότσης, "Μηχανική Μάθηση", Εκδόσεις Κλειδάριθμος ΕΠΕ, Έκδοση: 1η/2019, ISBN: 978-960-461-995-5, Κωδικός Βιβλίου στον Εύδοξο: 86198212
  2. Κωνσταντίνος Διαμαντάρας, "Τεχνητά Νευρωνικά Δίκτυα", Εκδόσεις Κλειδάριθμος ΕΠΕ, Έκδοση: 1η/2007, ISBN: 978-960-461-080-8, Κωδικός Βιβλίου στον Εύδοξο: 13908
Συμπληρωματική ξενόγλωσση βιβλιογραφία
  1. Bishop, Christopher M., "Pattern recognition and machine learning", Springer, 2006.