(1) ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ
Το μάθημα αποτελεί εισαγωγή στις βασικές έννοιες και μεθόδους της μηχανικής μάθησης. Αυτό το ραγδαία αναπτυσσόμενο πεδίο εντάσσεται στη γενικότερη περιοχή της τεχνητής νοημοσύνης και των ευφυών συστημάτων και χρησιμοποιείται σχεδόν στο σύνολο των προηγμένων εφαρμογών πληροφορκής.
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια:
- Θα διαθέτει προχωρημένες γνώσεις γύρω από τους τύπους τωνπροβλημάτων της μηχανικής μάθησης καθώς και των μεθόδων που εφαρμόζονται σε κάθε περίπτωση
- Θα διαθέτει δεξιότητες ανάπτυξης προγραμμάτων σε κατάλληλες γλώσσες και πλατφόρμες υψηλού επιπέδου τα οποία θα υλοποιούν τις παραπάνω μεθόδους
- Θα έχει την ικανότητα ανάλυσης προβλημάτων και εφαρμογών που απαιτούν την χρήση μεθόδων μηχανικής μάθησης
- Θα έχει την ικανότητα εφαρμογής καταλλήλων μεθόδων μηχανικής μάθησης ανάλογα με το πρόβλημα που αντιμετωπίζει
(2) ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
Μάθηση με επίβλεψη:
- Μαθηματικό υπόβαθρο, κατάβαση δυναμικού
- Βασικά Νευρωνικά Μοντέλα: αλγόριθμος Perceptron και ADALINE (LMS)
- Ο κανόνας Back-Propagation.
- Μοντέλα Συναρτήσεων Ακτινικής Βάσης (RBF)
- Gaussian discriminant analysis. Ημέθοδος Bayes.
- Μηχανές διανυσμάτων υποστήριξης (Support vector machines)
- Επιλογή μοντέλου
- Επιλογή χαρακτηριστικών
- Επιτροπές εμπειρογνωμόνων, bagging, boosting.
Μάθηση χωρίς επίβλεψη:
- Αυτο-οργανούμενα μοντέλα: Self-Organizing Maps (SOM)
- Ανάλυσηκυρίωνσυνιστωσών (Principal Component Analysis – PCA)
- Clustering. ο αλγόριθμος K-μέσων
- Ο αλγόριθμος EM, μίγμα Γκαουσιανών
(3) ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ
ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Για το θεωρητικό τμήμα του Μαθήματος: Διαλέξεις στην τάξη
Για το εργαστηριακό τμήμα του μαθήματος: Εργαστηριακές ασκήσεις
ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
- Εξειδικευμένο Λογισμικό (MATLAB) για την υλοποίοηση αλγορίθμων μηχανικής μάθησης
- Επικοινωνία μέσω της ιστοσελίδας του τμήματος και του ηλεκτρονικού πίνακα ανακοινώσεων http://hydra.it.teithe.gr
- Ηλεκτρονική καταχώρηση βαθμολογίας
ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
| Δραστηριότητα |
Φόρτος Εργασίας Εξαμήνου |
| Διαλέξεις |
13 x 3= 39 |
| Ασκήσεις Πράξης |
13 x 2 = 26 |
| Εργαστηριακές Ασκήσεις |
13 x 2 = 26 |
| Επικοινωνία / συνεργασία |
8 |
| Αυτοτελής μελέτη |
18 x 4.5 = 81 |
| Σύνολο Μαθήματος (30 ώρες φόρτου εργασίας ανά πιστωτική μονάδα) |
180 |
ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Για το θεωρητικό τμήμα του μαθήματος:
- Πρόοδος η οποία συνεισφέρει στον τελικό βαθμό με ποσοστό 50%. Η πρόοδος είναι προαιρετική και θετική, δηλαδή μετράει μόνο εφόσον ο βαθμός της είναι μεγαλύτερος από το βαθμό της τελικής εξέτασης.
- Τελική γραπτή εξέταση η οποία συνεισφέρει στον τελικό βαθμό με ποσοστό 50% εφόσον ο βαθμός της προόδου είναι μεγαλύτερος από το βαθμό της τελικής εξέτασης. Σε αντίθετη περίπτωση ο βαθμός της τελικής εξέτασης θα μετρήσει 100% στον τελικό βαθμό του μαθήματος.
Για το εργαστηριακό τμήμα του μαθήματος:
- Τελική εξέταση στο εργαστήριο
(4) ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ
1. Κ. Διαμαντάρας, Τεχνητά Νευρωνικά Δίκτυα, Κλειδάριθμος 2007.
2. C. Bishop, Pattern Recognition and Machine Learning, Springer 2006
3. S. Haykin, Neural Networks and Learning Machines (3rd Edition), Prentice Hall, 2008
4. J. Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis, Cambridge University Press, 2004
5. R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification (2nd Edition), Wiley Interscience, 2000
