ΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ
| Τίτλος | ΤΕΧΝΙΚΕΣ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ / ARTIFICIAL LEARNING |
| Κωδικός | ΔΜ1025 |
| Σχολή | Πολυτεχνική |
| Τμήμα | Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών |
| Κύκλος / Επίπεδο | 1ος / Προπτυχιακό, 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Χρηστος Διου |
| Κοινό | Ναι |
| Κατάσταση | Ενεργό |
| Course ID | 600004438 |
Πρόγραμμα Σπουδών: Επανιδρυθέν ΔΠΜΣ πρόγραμμα Σπουδών
Εγγεγραμμένοι φοιτητές: 0
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΕΥΦΥΗ ΣΥΣΤΗΜΑΤΑ-ΜΕΘΟΔΟΛΟΓΙΕΣ ΥΠΟΛΟΓΙΣΤΙΚΗΣ ΝΟΗΜΟΣΥΝΗΣ ΚΑΙ ΕΦΑΡΜΟΓΕΣ | Υποχρεωτικό | 1 | 1 | 5 |
Πρόγραμμα Σπουδών: ΔΠΜΣ "ΠΡΟΗΓΜΕΝΑ ΣΥΣΤΗΜΑΤΑ ΥΠΟΛΟΓΙΣΤΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Εγγεγραμμένοι φοιτητές: 0
| 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 | 2018 – 2019 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Διδάσκοντες άλλων Κατηγοριών | |
| Ώρες Εβδομαδιαία | 24 |
| Class ID | 600138579
|
Τύπος Μαθήματος
- Επιστημονικής Περιοχής
Κατηγορία Μαθήματος
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600138579
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
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 26 | ||||
| Σύνολο | 26 |
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