ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ-ΣΤΑΤΙΣΤΙΚΗ ΜΑΘΗΣΗ

Πληροφορίες Μαθήματος
ΤίτλοςΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ-ΣΤΑΤΙΣΤΙΚΗ ΜΑΘΗΣΗ / COMPUTATIONAL INTELLIGENCE - STATISTICAL LEARNING
ΚωδικόςDM16
ΣχολήΘετικών Επιστημών
ΤμήμαΠληροφορικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΧειμερινή
Υπεύθυνος/ηΑναστάσιος Τέφας
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID40002451

Πρόγραμμα Σπουδών: ΠΜΣ Τμήματος Πληροφορικής (2014-σήμερα)

Εγγεγραμμένοι φοιτητές: 13
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΤΕΧΝΟΛΟΓΙΕΣ ΓΝΩΣΗΣ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΛΟΓΙΣΜΙΚΟΥΕπιλογής117,5
ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΕΚΠΑΙΔΕΥΣΗΕπιλογής117,5
ΨΗΦΙΑΚΑ ΜΕΣΑ- ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗΥποχρεωτικό Κατ' Επιλογήν117,5
ΔΙΚΤΥΑΚΑ ΣΥΣΤΗΜΑΤΑΕπιλογής117,5

Πρόγραμμα Σπουδών: ΠΜΣ Τμήματος Πληροφορικής (2013-σήμερα)

Εγγεγραμμένοι φοιτητές: 0
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
Πληροφοριακά ΣυστήματαΕπιλογής117,5
Τεχνολογίες Πληροφορίας και Επικοινωνιών στην ΕκπαίδευσηΕπιλογής117,5
Ψηφιακά ΜέσαΥποχρεωτικό117,5
Επικοινωνιακά Συστήματα και ΤεχνολογίεςΕπιλογής117,5

Πρόγραμμα Σπουδών: ΠΜΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 2

Εγγεγραμμένοι φοιτητές: 0
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑΕπιλογής117,5
ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ ΣΤΗΝ ΕΚΠΑΙΔΕΥΣΗΕπιλογής117,5
ΨΗΦΙΑΚΑ ΜΕΣΑΥποχρεωτικό117,5
ΕΠΙΚΟΙΝΩΝΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΚΑΙ ΤΕΧΝΟΛΟΓΙΕΣΕπιλογής117,5

Πληροφορίες Τάξης
ΤίτλοςΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ-ΣΤΑΤΙΣΤΙΚΗ ΜΑΘΗΣΗ
Ακαδημαϊκό Έτος2017 – 2018
Περίοδος ΤάξηςΧειμερινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Class ID
600110514
Τύπος Μαθήματος 2016-2020
  • Υποβάθρου
  • Γενικών Γνώσεων
  • Επιστημονικής Περιοχής
  • Ανάπτυξης Δεξιοτήτων
Τύπος Μαθήματος 2011-2015
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
Erasmus
Το μάθημα προσφέρεται και σε φοιτητές προγραμμάτων ανταλλαγής.
Γλώσσα Διδασκαλίας
  • Ελληνικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
ροηγούμενη έκθεση σε γραμμική άλγεβρα, διανυσματικό λογισμό, αναγνώριση προτύπων βοηθά στην γρηγορότερη αφομοίωση των εννοιών.
Μαθησιακά Αποτελέσματα
Γνωστικοί: Θεμελίωση και μαθηματική θεώρηση των εννοιών της μάθησης και γενίκευσης, στατιστικής αναγνώρισης προτύπων. Συγκριτική θεώρηση των βασικών τύπων μηχανών μάθησης. Κατανόηση των βασικών εννοιών της εκπαίδευσης και της μαθησιακής ικανότητας των μηχανών μάθησης. Έκθεση στην ευρεία εφαρμογή των μηχανών μάθησης στην αναγνώριση προτύπων, προσέγγιση συναρτήσεων, εξόρυξη δεδομένων και ανάκτηση πληροφορίας. Δεξιότητες:Ικανότητα επίλυσης προβλημάτων αναγνώρισης προτύπων και προσέγγισης συναρτήσεων με χρήση τεχνικών στατιστικής μάθησης και υλοποίηση των αντίστοιχων αλγορίθμων εκπαίδευσης. Χρήση διαθέσιμων βιβλιοθηκών στατιστικής μηχανικής μάθησης. Όξυνση προγραμματιστικών δεξιοτήτων. Ικανότητα πλήρους αντιμετώπισης ενός πραγματικού προβλήματος αναγνώρισης προτύπων με υλοποίηση αλγορίθμου, εκτέλεση πειραμάτων με πραγματικά δεδομένα και συγγραφή έκθεσης αποτελεσμάτων.
Γενικές Ικανότητες
  • Εφαρμογή της γνώσης στην πράξη
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Προσαρμογή σε νέες καταστάσεις
  • Λήψη αποφάσεων
  • Αυτόνομη εργασία
  • Παραγωγή νέων ερευνητικών ιδεών
  • Σχεδιασμός και διαχείριση έργων
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Τεχνικές εκτίμησης παραμέτρων. Μπεϋζιανή μάθηση. Μη-παραμετρική αναγνώριση προτύπων. Νευρωνικά δίκτυα. Θεωρία στατιστικής μηχανικής μάθησης. Διάσταση Vapnik - Chervonenkis. Μηχανές εδραίων διανυσμάτων. Μηχανική μάθηση με χρήση πυρήνων. Πολυδιάστατη κλιμάκωση. Μη-γραμμική ελάττωση της διάστασης και εκμάθηση της δομής των δεδομένων. Ανάλυση διακριτικής ικανότητας. Ελάττωση της διάστασης με χρήση θεωρίας γράφων. Μάθηση που βασίζεται στη θεωρία των πληροφοριών. Ασαφή σύνολα, ασαφής συλλογιστική με εφαρμογή στην ταξινόμηση και ομαδοποίηση προτύπων. Γενετικοί - Εξελικτικοί αλγόριθμοι και οι εφαρμογές τους στην αναγνώριση προτύπων. Υβριδικά συστήματα υπολογιστικής νοημοσύνης στην ανάλυση σήματος, εικόνας και video.
Λέξεις Κλειδιά
υπολογιστική νοημοσύνη, στατιστική μηχανική μάθηση
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
  • Βιντεοδιαλέξεις
  • Πολυμεσικό υλικό
  • Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις391,3
Μελέτη και ανάλυση βιβλίων και άρθρων
Φροντιστήριο
Εκπόνηση μελέτης (project)
Συγγραφή εργασίας / εργασιών
Σύνολο391,3
Αξιολόγηση Φοιτητών
Περιγραφή
Αξιολόγηση των υποχρεωτικών εργασιών (κώδικας και εκτέλεση εφαρμογής, δοκίμιο, παρουσίαση) 60%, Γραπτή εξέταση στην ύλη του μαθήματος 40%. Όλα τα κριτήρια αξιολόγησης των εργασιών περιγράφονται στις εκφωνήσεις των εργασιών και επεξηγούνται στην αίθουσα. Τα κριτήρια αξιολόγησης του γραπτού επίσης περιγράφονται στις τελευταίες διαλέξεις.
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Διαμορφωτική, Συμπερασματική)
  • Γραπτή Εργασία (Συμπερασματική)
  • Προφορική Εξέταση (Διαμορφωτική, Συμπερασματική)
  • Δημόσια Παρουσίαση (Συμπερασματική)
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
  • Έκθεση / Αναφορά (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1. Richard O. Duda, Peter E. Hart, David G. Stork, "Pattern Classification (2nd Edition)", John Wiley & Sons, 2000 2. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer-Verlag, 2008. 3. Διαφάνειες και υλικό σε ηλεκτρονική μορφή 4. E-books στα Αγγλικά
Επιπρόσθετη βιβλιογραφία για μελέτη
Sergios Theodoridis, Konstantinos Koutroumbas, "Pattern Recognition", Academic Press, 1999.
Τελευταία Επικαιροποίηση
12-10-2020