Μηχανική Μάθηση

Πληροφορίες Μαθήματος
ΤίτλοςΜηχανική Μάθηση / Machine Learning
ΚωδικόςAI101
ΣχολήΘετικών Επιστημών
ΤμήμαΠληροφορικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΧειμερινή
Υπεύθυνος/ηΙωάννης Βλαχάβας
ΚοινόΝαι
ΚατάστασηΕνεργό
Course ID600016297

Πρόγραμμα Σπουδών: ΠΜΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ (2018 έως σήμερα) ΜΦ

Εγγεγραμμένοι φοιτητές: 6
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν117,5

Πρόγραμμα Σπουδών: ΠΜΣ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ (2018 έως σήμερα) ΠΦ

Εγγεγραμμένοι φοιτητές: 19
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν117,5

Πληροφορίες Τάξης
ΤίτλοςΜηχανική Μάθηση
Ακαδημαϊκό Έτος2019 – 2020
Περίοδος ΤάξηςΧειμερινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Class ID
600153656
Τύπος Μαθήματος 2016-2020
  • 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)
  • Αγγλικά (Εξέταση)
Μαθησιακά Αποτελέσματα
Οι φοιτητές μαθαίνουν τις βασικές έννοιες καθώς και συγκεκριμένες τεχνικές ανάλυσης δεδομένων και μηχανικής μάθησης και εξοικιώνονται με αρκετές εφαρμογές της. Τέλος αποκτούν δεξιότητες στην κριτική μελέτη επιστημονικών άρθρων, στην παρουσίαση επιστημονικών εργασιών και στην πρακτική ενασχόληση με δεδομένα χρησιμοποιώντας διάφορους αλγορίθμους και λογισμικά μηχανικής μάθησης.
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
  • Ομαδική εργασία
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Εισαγωγή, Παρεμβολή, Δένδρα Απόφασης, Μάθηση Κανόνων, Μάθηση Βασισμένη στις Περιπτώσεις, Μάθηση κατά Bayes, Μάθηση με Γενετικούς Αλγορίθμους, Αξιολόγηση Μοντέλων Μάθησης, Ομαδοποίηση, Κανόνες Συσχέτισης, Επιλογή Χαρακτηριστικών και Διακριτοποίηση, Συνδυασμός Μοντέλων Μάθησης, Ενισχυτική Μάθηση, Εξόρυξη Γνώσης από Κείμενα, Βιβλιοθήκες Αλγορίθμων Μηχανικής Μάθησης (Python).
Λέξεις Κλειδιά
Μηχανική Μάθηση, Επιβλεπόμενη Μάθηση, Μη-επιβλεπόμενη Μάθηση, Ταξινόμηση, Παρεμβολή
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
  • Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Περιγραφή
Διαφάνειες σε ηλεκτρονική μορφή, λογισμικό μηχανικής μάθησης
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις39
Μελέτη και ανάλυση βιβλίων και άρθρων42
Εκπόνηση μελέτης (project)42
Συγγραφή εργασίας / εργασιών39
Προετοιμασία63
Σύνολο225
Αξιολόγηση Φοιτητών
Περιγραφή
10% βιβλιογραφική μελέτη και παρουσιάση μιας εφαρμογής της μηχανικής μάθησης, 20% πρακτικές εργασίες ανάλυσης δεδομένων με τη βοήθεια λογισμικού μηχανικής μάθησης (Python), 70% γραπτές εξετάσεις. Τα κριτήρια αυτά είναι δημοσιευμένα στην ιστοσελίδα του μαθήματος.
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Συμπερασματική)
  • Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Συμπερασματική)
  • Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική)
  • Γραπτή Εργασία (Συμπερασματική)
  • Δημόσια Παρουσίαση (Συμπερασματική)
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
  • Εργαστηριακή Εργασία (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
Διδακτικές Σημειώσεις
Επιπρόσθετη βιβλιογραφία για μελέτη
- Machine Learning, T. Mitchell, McGraw Hill, 1997. - The Elements of Statistical Learning:Data Mining, Inference, and Prediction, T. Hastie, R. Tibshirani and J. Friedman, Springer, 2nd edition, 2009. - Machine Learning:The Art and Science of Algorithms that Make Sense of Data, Peter Flach, Cambridge University Press, 2012. - Introduction to Machine Learning with Python: A Guide for Data Scientists, Sarah Guido and Andreas C. Müller, O' Reilly Media, 2016. - Data Mining, Practical Machine Learning Tools and Techniques with Java Implementation (second edition), Ian Witten & Eibe Frank, Morgan Kaufmann, 2005. - Introduction to Machine Learning (Draft of incomplete Notes), Nils J. Nilsson, 2015 (https://ai.stanford.edu/~nilsson/mlbook.html) - Introduction to Machine Learning, Ethem Alpaydin, The MIT Press, October 2004. - Introduction to Data Mining. Pang-Ning Tan, Michael Steinbach and Vipin Kumar. Pearson Addison Wesley. 2005
Τελευταία Επικαιροποίηση
30-01-2020