Ηλεκτρονική Διάθεση Μαθήματος
Μαθησιακά Αποτελέσματα
Το μάθημα έχεις ως στόχο να προσφέρει μία εισαγωγή σε τεχνικές και αλγόριθμους μηχανικής μάθησης, τόσο σε ότι αφορά το θεωρητικό τους υπόβαθρο, όσο και την πρακτική τους εφαρμογή.
Ενδεικτικά το μάθημα θα περιλαμβάνει:
- Γραμμική παλινδρόμηση μίας και πολλών μεταβλητών, καθώς και μη γραμμικές παραλλαγές τους
- Λογιστική παλινδρόμηση και μοντέλα Linear Discriminant Analysis για ταξινόμηση
- Έλεγχος χωρητικότητας και ομαλοποίηση (regularization)
- Μη παραμετρικούς ταξινομητές και εισαγωγή στους SVM
- Μη γραμμικούς SVM και πυρήνες
- Παραλλαγές των SVM
- Συνδυαστικές μεθόδους (ensemble learning)
- Αλγόριθμους Random forests, EXTRA trees, gradient boosting trees
- Εφαρμογή στην πράξη, επιλογή υπερπαραμέτρων και μετρικές αξιολόγησης
Το μάθημα περιλαμβάνει κώδικα με πρακτικά παραδείγματα στη γλώσσα python με χρήση της βιβλιοθήκης scikit-learn.
Η βαθμολόγηση του μαθήματος θα γίνει με ατομικές εργασίες που θα δοθούν κατά τη διάρκεια του εξαμήνου.
Περιεχόμενο Μαθήματος
Ενδεικτικά το μάθημα θα περιλαμβάνει:
- Γραμμική παλινδρόμηση μίας και πολλών μεταβλητών, καθώς και μη γραμμικές παραλλαγές τους
- Λογιστική παλινδρόμηση και μοντέλα Linear Discriminant Analysis για ταξινόμηση
- Έλεγχος χωρητικότητας και ομαλοποίηση (regularization)
- Μη παραμετρικούς ταξινομητές και εισαγωγή στους SVM
- Μη γραμμικούς SVM και πυρήνες
- Παραλλαγές των SVM
- Συνδυαστικές μεθόδους (ensemble learning)
- Αλγόριθμους Random forests, EXTRA trees, gradient boosting trees
- Εφαρμογή στην πράξη, επιλογή υπερπαραμέτρων και μετρικές αξιολόγησης
Το μάθημα περιλαμβάνει κώδικα με πρακτικά παραδείγματα στη γλώσσα python με χρήση της βιβλιοθήκης scikit-learn.
Η βαθμολόγηση του μαθήματος θα γίνει με ατομικές εργασίες που θα δοθούν κατά τη διάρκεια του εξαμήνου.
Επιπρόσθετη βιβλιογραφία για μελέτη
1. Christopher Bishop, "Pattern recognition and machine learning". Springer, 2006
2. Alex Smola and S.V.N. Vishwanathan, "Introduction to machine learning", Cambridge university press, 2008
Διαθέσιμο online: http://alex.smola.org/drafts/thebook.pdf
3. Trevor Hastie, Robert Tibshirani, Jerome Friedman, "The elements of statistical learning: Data mining, inference and prediction", 2nd edition, Springer, 2008
Διαθέσιμο online: https://web.stanford.edu/~hastie/Papers/ESLII.pdf
4. Ian Goodfellow, Yoshua Bengio and Aaron Courville, "Deep learning", MIT press, 2016
Διαθέσιμο online: https://www.deeplearningbook.org/
5. Aurelien Geron, "Hands-on machine learning with scikit-learn and Tensorflow: Concepts, tools and techniques to build intelligent systems", O'Reilly, 2017