Μηχανική Μάθηση
| Τίτλος | Μηχανική Μάθηση / Machine Learning |
| Κωδικός | DWS101 |
| Σχολή | Θετικών Επιστημών |
| Τμήμα | Πληροφορικής |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή |
| Υπεύθυνος/η | Ιωάννης Βλαχάβας |
| Κοινό | Ναι |
| Κατάσταση | Ενεργό |
| Course ID | 600015628 |
Πρόγραμμα Σπουδών: ΠΜΣ ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΠΑΓΚΟΣΜΙΟΥ ΙΣΤΟΥ (2018 έως σήμερα) ΠΦ
Εγγεγραμμένοι φοιτητές: 15
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΚΟΡΜΟΣ | Υποχρεωτικό Κατ' Επιλογήν | 1 | 1 | 7,5 |
| Τίτλος | Μηχανική Μάθηση |
| Ακαδημαϊκό Έτος | 2021 – 2022 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ |
|
| Ώρες Εβδομαδιαία | 3 |
| 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
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600200251
- eLearning (Moodle): https://elearning.auth.gr/course/view.php?id=8135
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
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 33 | ✓ | |||
| Μελέτη και ανάλυση βιβλίων και άρθρων | 42 | ✓ | |||
| Φροντιστήριο | 6 | ✓ | |||
| Εκπόνηση μελέτης (project) | 42 | ✓ | |||
| Συγγραφή εργασίας / εργασιών | 39 | ✓ | |||
| Προετοιμασία | 63 | ✓ | |||
| Σύνολο | 225 |
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
