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