ΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ

Πληροφορίες Μαθήματος
ΤίτλοςΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ / ARTIFICIAL LEARNING
ΚωδικόςΔΜ1025
ΣχολήΠολυτεχνική
ΤμήμαΗλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Κύκλος / Επίπεδο1ος / Προπτυχιακό, 2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΧειμερινή/Εαρινή
Υπεύθυνος/ηΧρηστος Διου
ΚοινόΝαι
ΚατάστασηΕνεργό
Course ID600004438

Πρόγραμμα Σπουδών: Επανιδρυθέν ΔΠΜΣ πρόγραμμα Σπουδών

Εγγεγραμμένοι φοιτητές: 0
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ-ΜΕΘΟΔΟΛΟΓΙΕΣ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ ΚΑΙ ΕΦΑΡΜΟΓΕΣΥποχρεωτικό115

Πρόγραμμα Σπουδών: ΔΠΜΣ "ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ

Εγγεγραμμένοι φοιτητές: 0
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
Ευφυή συστήματα-Μεθοδολογίες υπολογιστικής νοημοσύνης και εφαρμογέςΥποχρεωτικό215
Δικτυακή Υπολογιστική- Ηλεκτρονικό ΕμπόριοΕπιλογής215

Πληροφορίες Τάξης
ΤίτλοςΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
Ακαδημαϊκό Έτος2018 – 2019
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Διδάσκοντες άλλων Κατηγοριών
Ώρες Εβδομαδιαία24
Class ID
600138579
Τύπος Μαθήματος
  • Επιστημονικής Περιοχής
Κατηγορία Μαθήματος
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
Γλώσσα Διδασκαλίας
  • Ελληνικά (Διδασκαλία, Εξέταση)
  • Αγγλικά (Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Λογισμός συναρτήσεων μιας και πολλών μεταβλητών, Γραμμική άλγεβρα. Βασικές γνώσεις προγραμματισμού.
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.
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
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
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.
Τύποι Εκπαιδευτικού Υλικού
  • Διαφάνειες
  • Βιβλίο
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις26
Σύνολο26
Αξιολόγηση Φοιτητών
Περιγραφή
Ατομικές εργασίες κατά τη διάρκεια του εξαμήνου
Βιβλιογραφία
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
Τελευταία Επικαιροποίηση
05-02-2019