Προηγμένη Μηχανική Μάθηση [9ο εξάμηνο]
Κωδικός μαθήματος 1947. Μάθημα Επιλογής, Γνωστική Περιοχή: Διαχείριση Δεδομένων - Τεχνητή Νοημοσύνη (ΔΔΤΝ). Προτεινόμενα προαπαιτούμενα μαθήματα: (1802) Αρχές και Μέθοδοι Μηχανικής Μάθησης
Σκοπός του μαθήματος είναι να αποκτήσει ο φοιτητής μια σφαιρική άποψη του πεδίου της μηχανικής μάθησης μελετώντας τα κυριότερα μοντέλα και 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
Τα θέματα που καλύπτονται είναι:
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
Διαλέξεις και Υλικό Θεωρίας:
Πλατφόρμα Ηλεκτρονικής Μάθησης ΔΙΠΑΕ (Moodle)Ασκήσεις:
Πλατφόρμα Ηλεκτρονικής Μάθησης ΔΙΠΑΕ (Moodle)Αξιολόγηση:
- Τελική γραπτή εξέταση η οποία συνεισφέρει 100% στον τελικό βαθμό του μαθήματος
- Αν ο φοιτητής/τρια επιλέξει να υποβάλλει ασκήσεις θα μετρήσουν 30% και η γραπτή εξέταση 70% στον τελικό βαθμό, εφόσον ο βαθμός της γραπτής εξέτασης είναι μικρότερος από το βαθμό των ασκήσεων. Αν ο βαθμός των ασκήσεων είναι μικρότερος από το βαθμό της γραπτής εξέτασης τότε θα μετρήσει 100% η γραπτή εξέταση.
- Οι φοιτητές που πέρασαν το θεωρητικό μέρος του μαθήματος στο ΤΕΙ και χρωστούν το εργαστηριακό μέρος του θα δώσουν ΥΠΟΧΡΕΩΤΙΚΑ ασκήσεις. Ο τελικός βαθμός θα υπολογιστεί 30% από το βαθμό των ασκήσεων και 70% από το βαθμό θεωρίας που πήραν στο ΤΕΙ. Οι φοιτητές αυτοί δεν υποχρεούνται να δώσουν τελική γραπτή εξέταση στη θεωρία.
- Οι φοιτητές που πέρασαν το εργαστηριακό μέρος του μαθήματος στο ΤΕΙ και χρωστούν το θεωρητικό μέρος του θα δώσουν γραπτή εξέταση. Ο τελικός βαθμός θα υπολογιστεί 30% από το βαθμό του εργαστηρίου που πήραν στο ΤΕΙ και 70% από το βαθμό της γραπτής εξέτασης. Οι φοιτητές αυτοί δεν θα παραδώσουν ασκήσεις.
Βιβλιογραφία
- Κωνσταντίνος Διαμαντάρας, Δημήτρης Μπότσης, "Μηχανική Μάθηση", Εκδόσεις Κλειδάριθμος ΕΠΕ, Έκδοση: 1η/2019, ISBN: 978-960-461-995-5, Κωδικός Βιβλίου στον Εύδοξο: 86198212
- Κωνσταντίνος Διαμαντάρας, "Τεχνητά Νευρωνικά Δίκτυα", Εκδόσεις Κλειδάριθμος ΕΠΕ, Έκδοση: 1η/2007, ISBN: 978-960-461-080-8, Κωδικός Βιβλίου στον Εύδοξο: 13908
- Goodfellow Ian, Bengio Yoshua and Courville Aaron, Deep Learning, MIT Press, 2016,
- Theodoridis, Sergios, "Machine learning: a Bayesian and optimization perspective", Academic Press, 2015.
- Bishop, Christopher M., "Pattern recognition and machine learning", Springer, 2006.
- Συναφή επιστημονικά περιοδικά
- Neurocomputing, Elsevier
- IEEE Transactions on Neural Networks and Learning Systems
- Pattern Recognition, Elsevier
- IEEE Transactions on Pattern Analysis and Machine Intelligence