ΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
| Τίτλος | ΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ / ARTIFICIAL LEARNING |
| Κωδικός | ΔΜ1025 |
| Διατμηματικό Πρόγραμμα | ΔΠΜΣ Προηγμένα Συστήματα Υπολογιστών και Επικοινωνιών (2018-σήμερα) |
| Συνεργαζόμενα Τμήματα | Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Ιατρικής Μουσικών Σπουδών Δημοσιογραφίας και Μέσων Μαζικής Επικοινωνίας |
| Κύκλος / Επίπεδο | 1ος / Προπτυχιακό, 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Χρηστος Διου |
| Κοινό | Ναι |
| Κατάσταση | Ενεργό |
| Course ID | 600004438 |
Πρόγραμμα Σπουδών: ΔΠΜΣ Προηγμένα Συστήματα Υπολογιστών και Επικοινωνιών (2018-σήμερα)
Εγγεγραμμένοι φοιτητές: 0
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΕΥΦΥΗ ΚΑΙ ΑΥΤΟΝΟΜΑ ΣΥΣΤΗΜΑΤΑ-ΜΕΘΟΔΟΛΟΓΙΕΣ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ ΚΑΙ ΕΦΑΡΜΟΓΕΣ | Υποχρεωτικό | 1 | 1 | 5 |
Πρόγραμμα Σπουδών: ΔΠΜΣ Προηγμένα Συστήματα Υπολογιστών και Επικοινωνιών (2004-2018)
Εγγεγραμμένοι φοιτητές: 16
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| Ευφυή συστήματα-Μεθοδολογίες υπολογιστικής νοημοσύνης και εφαρμογές | Υποχρεωτικό | 2 | 1 | 5 |
| Δικτυακή Υπολογιστική- Ηλεκτρονικό Εμπόριο | Επιλογής | 2 | 1 | 5 |
| Τίτλος | ΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ |
| Ακαδημαϊκό Έτος | 2017 – 2018 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Διδάσκοντες άλλων Κατηγοριών | |
| Ώρες Εβδομαδιαία | 24 |
| Class ID | 600116452
|
Τύπος Μαθήματος 2016-2020
- Επιστημονικής Περιοχής
Τύπος Μαθήματος 2011-2015
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600116452
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
- Αγγλικά (Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Λογισμός συναρτήσεων μιας και πολλών μεταβλητών, Γραμμική άλγεβρα. Γνώση προγραμματισμού σε Matlab.
Μαθησιακά Αποτελέσματα
Το μάθημα στοχεύει σε μιά ισορροπημένη παρουσίαση της θεωρίας και των εφαρμογών. Ο στόχος ειναι ο φοιτητής να διδαχθεί το σκεπτικό διαφόρων αλγορίθμων μηχανικής μάθησης, με μια εισαγωγικού επιπέδου μαθηματική ανάλυση και κατόπιν να εστιάσει στις εφαρμογές. Έτσι με την συμπλήρωσςη τοπυ μαθήματος ο φοιτητής θα είναι σε θέση να εφαρμόσει ένα μεγάλο αριθμό αλγορίθμων μηχανικής μάθησης σε πρακτικά προβλήματα.
Περιεχόμενο Μαθήματος
Επιβλεπόμενη Μάθηση: Προσέγγιση ελαχίστων τετραγώνων, λογιστική παλνδρόμηση, Πέρσεπτρόνια, Γκαουσσιανή ανάλυση, Απλοϊκός αλγόριθμος Bayes, μηχανές δανυσμάτων στήριξης, επιλογή μοντέλων και χαρακτηριστικών.
Μη Επιβλεπόμενη Μάθηση: Συσταδοποίηση, K-μέσοπι, Αλγόριθμος EM, Συνδυασμοί Γκαουσσιανών.
Ενισχυτική Μάθηση και Έλεγχος: Μαρκοβιανές διαδικασίες απόφασης (MDP), εξισώσεις Bellman, Επαναλήψεις αηίας και πολιτικής, Q-μάθηση. Προσέγγιση της συνάρτησης αξίας, έρευνα στον χώρο των πολιτικών, ενίσχυση, μερικώς παρατηρήσιμες . Μαρκοβιανές διαδικασίες απόφασης (POMDP).
Θεωρία Μάθησης: Η εξισορρόπηση πόλωσης και διασποράς, διάσταση VC, Online μάθηση.
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 26 | ||||
| Σύνολο | 26 |
Αξιολόγηση Φοιτητών
Περιγραφή
Project και γραπτή τελική εξέταση.
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
Hastie, Friedman, and Tibshirani, The Elements of Statistical Learning, 2001
Bishop, Pattern Recognition and Machine Learning, 2006
Ripley, Pattern Recognition and Neural Networks, 1996
Mitchell, Machine Learning, 2000
Duda, Hart, and Stork, Pattern Classification, 2nd Ed., 2002
Tan, Steinbach, and Kumar, Introduction to Data Mining, Addison-Wesley, 2005.
Mardia, Kent, and Bibby, Multivariate Analysis, 1979
Sutton and Barto, Reinforcement Learning: An Introduction, MIT Press, 1998.
Bertsekas and Tsitsiklis, Neuro-Dynamic Programming, Athena Scientific, 1996.
Τελευταία Επικαιροποίηση
23-09-2013
