Μηχανική Μάθηση

Πληροφορίες Μαθήματος
ΤίτλοςΜηχανική Μάθηση / Machine Learning
ΚωδικόςDWS101
ΣχολήΘετικών Επιστημών
ΤμήμαΠληροφορικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΧειμερινή
Υπεύθυνος/ηΙωάννης Βλαχάβας
ΚοινόΝαι
ΚατάστασηΕνεργό
Course ID600015628

Πρόγραμμα Σπουδών: ΠΜΣ ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ (2018 έως σήμερα) ΜΦ

Εγγεγραμμένοι φοιτητές: 13
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν117,5

Πρόγραμμα Σπουδών: ΠΜΣ ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ (2018 έως σήμερα) ΠΦ

Εγγεγραμμένοι φοιτητές: 15
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν117,5

Πληροφορίες Τάξης
ΤίτλοςΜηχανική Μάθηση
Ακαδημαϊκό Έτος2021 – 2022
Περίοδος ΤάξηςΧειμερινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Class ID
600200251
Τύπος Μαθήματος
Ειδικού Υποβάθρου
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)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Γλώσσα προγραμματισμού Python
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 καθώς και στην πρακτική ενασχόληση εφαρμόζοντας διάφορους αλγορίθμους μηχανικής μάθησης σε δεδομένα διαφόρων τύπων.
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
  • Εργασία σε διεθνές περιβάλλον
  • Εργασία σε διεπιστημονικό περιβάλλον
  • Παραγωγή νέων ερευνητικών ιδεών
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Εισαγωγή, Επιβλεπόμενη Μάθηση, Δένδρα Απόφασης, Μάθηση Κανόνων, Μάθηση Βασισμένη στις Περιπτώσεις, Μάθηση κατά Bayes, Νευρωνικά Δίκτυα, Μηχανές Διανυσμάτων Υποστήριξης, Αξιολόγηση Μοντέλων Μάθησης, Ομαδοποίηση, Κανόνες Συσχέτισης, Επιλογή Χαρακτηριστικών και Διακριτοποίηση, Συνδυασμός Μοντέλων Μάθησης, Ενισχυτική Μάθηση, Εφαρμογές σε Python.
Λέξεις Κλειδιά
Μηχανική Μάθηση, Επιβλεπόμενη Μάθηση, Μη-επιβλεπόμενη Μάθηση, Enisxytik;h M;auhsh, 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 Εργαστηριακή Εκπαίδευση
  • 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
Διαλέξεις33
Μελέτη και ανάλυση βιβλίων και άρθρων42
Φροντιστήριο6
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. - Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, 2019 - Introduction to Machine Learning. Ethem Alpaydin, The MIT Press, March 2020. - Introduction to Machine Learning with Python: A Guide for Data Scientists, Sarah Guido and Andreas C. Müller, O' Reilly Media, 2016. - Τεχνητή Νοημοσύνη, Δ' Έκδοση, Ι.Βλαχάβας, Π.Κεφαλάς, Ν. Βασιλειάδης, Φ.Κόκκορας και Η. Σακελλαρίου. Εκδόσεις Πανεπιστημίου Μακεδονίας, Θεσσαλονίκη 2020 - Introduction to Machine Learning (Draft of incomplete Notes), Nils J. Nilsson, 2015 (https://ai.stanford.edu/~nilsson/mlbook.html)
Τελευταία Επικαιροποίηση
18-10-2022