Αρχές και Μέθοδοι Μηχανικής Μάθησης
Γενικά
- Κωδικός Μαθήματος: 1802
- Εξάμηνο: 8ο
- Τύπος Μαθήματος: Επιστημονικής Περιοχής (ΕΠ)
- Είδος Μαθήματος: Υποχρεωτικό (ΥΠ)
- Γνωστική Περιοχή: Διαχείριση Δεδομένων - Τεχνητή Νοημοσύνη (ΔΔΤΝ)
- Διδασκαλία Θεωρίας: 4 ώρες/εβδομάδα
- Πιστωτικές μονάδες ECTS: 6
- Γλώσσα διδασκαλίας και Εξετάσεων: Ελληνικά
- Προτεινόμενα προαπαιτούμενα μαθήματα: (1301) Θεωρία Πιθανοτήτων και Στατιστική, (1101) Μαθηματικά Ι, (1201) Μαθηματικά ΙΙ
- Συντονιστής: Γουλιάνας Κωνσταντίνος
- Διδάσκοντες: Γουλιάνας Κωνσταντίνος
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 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 |
| Διαλέξεις | 52 |
| Ατομική Μελέτη και ανάλυση βιβλιογραφίας | 128 |
| 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"
- Κωνσταντίνος Διαμαντάρας, Δημήτρης Μπότσης, "Μηχανική Μάθηση", Εκδόσεις Κλειδάριθμος ΕΠΕ, Έκδοση: 1η/2019, ISBN: 978-960-461-995-5, Κωδικός Βιβλίου στον Εύδοξο: 86198212
- 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
- Bishop, Christopher M., "Pattern recognition and machine learning", Springer, 2006.