Προηγμένη Μηχανική Μάθηση

Γενικά

Μαθησιακά Αποτελέσματα

Σκοπός του μαθήματος είναι να αποκτήσει ο φοιτητής μια σφαιρική άποψη του πεδίου της μηχανικής μάθησης μελετώντας τα κυριότερα μοντέλα κι μεθόδους μάθησης με επίβλεψη και χωρίς επίβλεψη. Επίσης, δίνονται βασικά στοιχεία της θεωρίας μάθησης έτσι ώστε να αποκτήσει αντίληψη του τι είναι εφικτό από τα μοντέλα αυτά, ποιες είναι οι δυνατότητες και ποιοι οι περιορισμοί που υπάρχουν στη μάθηση. Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής θα είναι σε θέση:

  • Να γνωρίζει ένα ευρύ φάσμα μεθόδων μηχανικής μάθησης και των πεδίων εφαρμογής τους
  • Να κατανοεί τους τύπους των προβλημάτων που επιλύονται και τις μεθόδους που αντιστοιχούν σε αυτά
  • Να αναλύει ένα πρόβλημα που απαιτεί τη χρήση μηχανικής μάθησης και να εφαρμόζει την κατάλληλη μέθοδο σε αυτό
  • Να συνθέτει λύσεις σε πολύπλοκα προβλήματα με συνδυασμό μεθόδων μηχανικής μάθησης
  • Να αξιολογεί την επίδοση ενός μοντέλου ή ενός συστήματος μηχανικής μάθησης με τα κατάλληλα εργαλεία

Περιεχόμενο Μαθήματος

Μάθηση με επίβλεψη

  • Νευρωνικά Δίκτυα πολλών στρωμάτων, μέθοδοι και προβλήματα εκπαίδευσης
  • Δίκτυα Βαθιάς Μάθησης (Deep Learning), Βαθιά Δίκτυα Πεποιθήσεων, Βαθιοί αυτο-συσχετιστές, Συνελικτικά Νευρωνικά Δίκτυα
  • Πιθανοτικά μοντέλα Bayes, μίγματα Γκαουσσιανών μοντέλων, ο αλγόριθμος Expectation Maximization (EM)
  • Συνδυασμός μοντέλων, bagging, boosting, μίγματα εμπειρογνωμόνων
  • Αναδρομικά Νευρωνικά Δίκτυα (Recurrent Neural Networks), δίκτυα χρονικής καθυστέρησης, εκπαίδευση με το μοντέλο Backpropatation Through Time, μοντέλα LSTM, GRU
  • Δίκτυα Bayes, γραφικά μοντέλα συμπερασμάτων, κατευθυνόμενοι και μη κατευθυνόμενοι γράφοι, κρυφά Μαρκοβιανά μοντέλα

Μάθηση χωρίς επίβλεψη

  • Ανάλυση κυρίων συνιστωσών (Principal Component Analysis – PCA), Ανάλυση παραγόντων (Factor Analysis),

Μάθηση με ενίσχυση

  • Το πρόβλημα των μονόχειρων ληστών, Μαρκοβιανές Διεργασίες αποφάσεων, Δυναμικός προγραμματισμός, Μέθοδοι Μόντε Κάρλο

Παραδείγματα εφαρμογών

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. Goodfellow Ian, Bengio Yoshua and Courville Aaron, "Deep Learning", MIT Press, 2016, http://www.deeplearningbook.org
  2. Theodoridis, Sergios, "Machine learning: a Bayesian and optimization perspective", Academic Press, 2015.
  3. Bishop, Christopher M., "Pattern recognition and machine learning", Springer, 2006.
Συναφή επιστημονικά περιοδικά
  1. Neurocomputing, Elsevier https://www.journals.elsevier.com/neurocomputing
  2. IEEE Transactions on Neural Networks and Learning Systems, https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=5962385
  3. Pattern Recognition, Elsevier, https://www.journals.elsevier.com/pattern-recognition
  4. IEEE Transactions on Pattern Analysis and Machine Intelligence https://www.computer.org/csdl/journal/tp