Αρχεσ και Μεθοδοι Μηχανικησ Μαθησησ

Αρχική
Βιογραφικό
Έρευνα
Δημοσιεύσεις
Προπτυχιακά Μαθήματα
1304 - Οργάνωση και Αρχιτεκτονική Υπολογιστικών Συστημάτων
1744 - Προηγμένες Αρχιτεκτονικές Υπολογιστών και Προγραμματισμός Παράλληλων Συστημάτων
1802 - Αρχές και Μέθοδοι Μηχανικής Μάθησης
1947 - Προηγμένη Μηχανική Μάθηση
Μεταπτυχιακά Μαθήματα
Ερευνητικά Προγράμματα

Τμήμα Μηχανικών Πληροφορικής και Ηλεκτρονικών Συστημάτων
Διεθνές Πανεπιστήμιο Ελλάδος

Βιβλία
Βιβλία:

Αρχές και Μέθοδοι Μηχανικής Μάθησης [8ο εξάμηνο]


Κωδικός μαθήματος 1802. Μάθημα Επιστημονικής Περιοχής (ΕΠ) - Υποχρεωτικό, Γνωστική Περιοχή: Διαχείριση Δεδομένων - Τεχνητή Νοημοσύνη (ΔΔΤΝ). Προτεινόμενα προαπαιτούμενα μαθήματα: (1301) Θεωρία Πιθανοτήτων και Στατιστική, (1101) Μαθηματικά Ι, (1201) Μαθηματικά ΙΙ


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

Τα θέματα που καλύπτονται είναι:
  • 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)


Διαλέξεις και Υλικό Θεωρίας:

Πλατφόρμα Ηλεκτρονικής Μάθησης ΔΙΠΑΕ (Moodle)

Αξιολόγηση:

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

Βιβλιογραφία

  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
  3. Bishop, Christopher M., "Pattern recognition and machine learning", Springer, 2006

[Αρχική] [Βιογραφικό] [Έρευνα] [Δημοσιεύσεις] [Προπτυχιακά Μαθήματα] [Μεταπτυχιακά Μαθήματα] [Ερευνητικά Προγράμματα]