Μηχανική Μάθηση

Course ID
ΠΜΣ1-2
Κατεύθυνση
1η, 2η, 3η
Εξάμηνο
Χειμερινό
Τύπος
Επιλογής 1ης κατεύθ., Επιλογής 3ης κατεύθ., Υποχρεωτικό 2ης κατεύθ.

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές/τι αναμένεται να έχουν αποκτήσει σε βάθος κατανόηση των βασικών αρχών και των πιο σημαντικών μεθόδων μηχανικής μάθησης. Αναμένεται επίσης να έχουν τη δυνατότητα να τις εφαρμόσουν σε πρακτικά προβλήματα με τη χρήση σύγχρονων βιβλιοθηκών.

Περιεχόμενο Μαθήματος

  • Εισαγωγή στη μηχανική μάθηση, ορισμοί
  • Γενίκευση, υποεκπαίδευση και υπερεκπαίδευση
  • Επανάληψη βασικών μαθηματικών εννοιών (γραμμική άλγεβρα, λογισμός μίας ή περισσοτέρων μεταβλητών, θεωρία πιθανοτήτων, θεωρία βελτιστοποίησης)
  • Ανάλυση γραμμικών διακρίσεων (Linear Discriminant Analysis)
  • Εισαγωγή στο περιβάλλον scikit-learn
  • Συνοπτική παρουσίαση μεθόδων προετοιμασίας δεδομένων
  • Γραμμική παλινδρόμηση και η μέθοδος των ελαχίστων τετραγώνων
  • Γραμμική κατηγοριοποίηση και γενικευμένα γραμμικά μοντέλα
  • Μη παραμετρικές μέθοδοι – kNN και μέθοδοι πυρήνα
  •  Δέντρα αποφάσεων για ταξινόμηση και παλινδρόμηση – CART
  •  Μέθοδοι συνόλου – Random Forests, Gradient Boosting Trees, AdaBoost και παραλλαγές
  • Παρουσίαση του περιβάλλοντος XGBoost
  •  Εισαγωγή στις μεθόδους Τεχνητών Νευρωνικών Δικτύων
  •  Εισαγωγή στο περιβάλλον Pytorch
  • Εκπαίδευση ΤΝΔ και ο αλγόριθμος backpropagation

ΓΕΝΙΚΕΣ ΙΚΑΝΟΤΗΤΕΣ

Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

Προσαρμογή σε νέες καταστάσεις

Λήψη αποφάσεων

Αυτόνομη εργασία

Άσκηση κριτικής και αυτοκριτικής

Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

ΔΙΔΑΚΤΙΚΕΣ ΚΑΙ ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

Τρόπος Παρακολούθησης: Δια ζώσης 

Χρήση Τεχνολογιων Πληροφορίας και Επικοινωνιών: Ανάπτυξη λογισμικού σε γλώσσα Python με χρήση Numpy, Pandas, scikit-learn, XGBoost και Pytorch. Προετοιμασία δεδομένων και ανάπτυξη μοντέλου.

Δραστηριότητα Φόρτος Εργασίας
Εξαμήνου
Παρακολούθηση διαλέξεων 30
Εργαστηριακή Άσκηση 6
Ατομικές ή Ομαδικές Εργασίες 50
Αυτοτελής μελέτη 64
Σύνολο 150

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Ατομικές εργασίες

ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

 – Stuart Russel, Peter Norvig, “Τεχνητή Νοημοσύνη: Μία Σύγχρονη Προσέγγιση”, 4η
έκδοση, Εκδ. Κλειδάριθμος, 2021
– Ι. Βλαχάβα, Π. Κεφαλά, Ν. Βασιλειάδη, Φ. Κόκκορα και Η. Σακελλαρίου. “Τεχνητή Νοημοσύνη”, 4η Έκδοση (2020). Εκδοτικός οίκος Εταιρεία αξιοποίησης και διαχείρισης περιουσίας Πανεπιστημίου Μακεδονίας


Περιοδικά (ενδεικτικά):
IEEE Transactions on Pattern Analysis and Machine Intelligence
IEEE Transactions on Neural Networks and Learning Systems
Expert Systems with Applications
Journal of Machine Learning Research
Machine Learning
Journal of Artificial Intelligence Research
Neural Computing and Applications


Συνέδρια (ενδεικτικά):
Neural Information Processing Systems (NeurIPS)
International Conference on Machine Learning (ICML)
International Conference on Learning Representations (ICLR)
AAAI Conference on Artificial Intelligence (AAAI)
Computer Vision and Pattern Recognition (CVPR)
International Conference on Computer Vision (ICCV)
International Joint Conference on Artificial Intelligence (IJCAI)
European Conference on Machine Learning (ECML)
Asian Conference on Machine Learning (ACML)