Υπολογιστική Νοημοσύνη- Στατιστική Μάθηση

Πληροφορίες Μαθήματος
ΤίτλοςΥπολογιστική Νοημοσύνη- Στατιστική Μάθηση / Computational Intelligence- Statistical Learning
ΚωδικόςDMCI102
ΣχολήΘετικών Επιστημών
ΤμήμαΠληροφορικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΧειμερινή
Υπεύθυνος/ηΑναστάσιος Τέφας
ΚοινόΝαι
ΚατάστασηΕνεργό
Course ID600016139

Πρόγραμμα Σπουδών: ΠΜΣ ΨΗΦΙΑΚΑ ΜΕΣΑ - ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (2018 εως σημερα) ΜΦ

Εγγεγραμμένοι φοιτητές: 4
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν117,5

Πρόγραμμα Σπουδών: ΠΜΣ ΨΗΦΙΑΚΑ ΜΕΣΑ - ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (2018 έως σήμερα) ΠΦ

Εγγεγραμμένοι φοιτητές: 14
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν117,5

Πληροφορίες Τάξης
ΤίτλοςΥπολογιστική Νοημοσύνη- Στατιστική Μάθηση
Ακαδημαϊκό Έτος2021 – 2022
Περίοδος ΤάξηςΧειμερινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Class ID
600200258
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τύπος Μαθήματος 2016-2020
  • Υποβάθρου
  • Γενικών Γνώσεων
  • 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 (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Προηγούμενη έκθεση σε γραμμική άλγεβρα, αναγνώριση προτύπων και μηχανική μάθηση, βαθιά μάθηση και νευρωνικά δίκτυα βοηθά στην γρηγορότερη αφομοίωση των εννοιών.
Μαθησιακά Αποτελέσματα
Γνωστικοί: Θεμελίωση και μαθηματική θεώρηση των εννοιών της μάθησης και γενίκευσης, στατιστικής αναγνώρισης προτύπων. Συγκριτική θεώρηση των βασικών τύπων μηχανών μάθησης. Κατανόηση των βασικών εννοιών της εκπαίδευσης και της μαθησιακής ικανότητας των μηχανών μάθησης. Έκθεση στην ευρεία εφαρμογή των μηχανών μάθησης στην αναγνώριση προτύπων, προσέγγιση συναρτήσεων, εξόρυξη δεδομένων και ανάκτηση πληροφορίας. Δεξιότητες:Ικανότητα επίλυσης προβλημάτων αναγνώρισης προτύπων και προσέγγισης συναρτήσεων με χρήση τεχνικών στατιστικής μάθησης και υλοποίηση των αντίστοιχων αλγορίθμων εκπαίδευσης. Χρήση διαθέσιμων βιβλιοθηκών στατιστικής μηχανικής μάθησης. Όξυνση προγραμματιστικών δεξιοτήτων. Ικανότητα πλήρους αντιμετώπισης ενός πραγματικού προβλήματος αναγνώρισης προτύπων με υλοποίηση αλγορίθμου, εκτέλεση πειραμάτων με πραγματικά δεδομένα και συγγραφή έκθεσης αποτελεσμάτων.
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
  • Σχεδιασμός και διαχείριση έργων
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Τεχνικές εκτίμησης παραμέτρων. Μπεϋζιανή μάθηση. Μη-παραμετρική αναγνώριση προτύπων. Νευρωνικά δίκτυα. Θεωρία στατιστικής μηχανικής μάθησης. Διάσταση Vapnik - Chervonenkis. Μηχανές εδραίων διανυσμάτων. Μηχανική μάθηση με χρήση πυρήνων. Πολυδιάστατη κλιμάκωση. Μη-γραμμική ελάττωση της διάστασης και εκμάθηση της δομής των δεδομένων. Ανάλυση διακριτικής ικανότητας. Ελάττωση της διάστασης με χρήση θεωρίας γράφων. Μάθηση που βασίζεται στη θεωρία των πληροφοριών. Ασαφή σύνολα, ασαφής συλλογιστική με εφαρμογή στην ταξινόμηση και ομαδοποίηση προτύπων. Γενετικοί - Εξελικτικοί αλγόριθμοι και οι εφαρμογές τους στην αναγνώριση προτύπων. Υβριδικά συστήματα υπολογιστικής νοημοσύνης στην ανάλυση σήματος, εικόνας και video.
Λέξεις Κλειδιά
υπολογιστική νοημοσύνη, στατιστική μηχανική μάθηση
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
  • Βιντεοδιαλέξεις
  • Πολυμεσικό υλικό
  • Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
Περιγραφή
Διαφάνειες, Προγράμματα, Βιβλιοθήκες υλοποιημένων αλγορίθμων, Επίδειξη εφαρμογών σε Η/Υ, χρήση ηλεκτρονική επικοινωνίας από τον ιστοχώρο του μαθήματος.
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις39
Μελέτη και ανάλυση βιβλίων και άρθρων86
Εκπόνηση μελέτης (project)60
Συγγραφή εργασίας / εργασιών15
Εξετάσεις25
Σύνολο225
Αξιολόγηση Φοιτητών
Περιγραφή
Αξιολόγηση των υποχρεωτικών εργασιών (κώδικας και εκτέλεση εφαρμογής, δοκίμιο, παρουσίαση) 60%, Γραπτή εξέταση στην ύλη του μαθήματος 40%. Όλα τα κριτήρια αξιολόγησης των εργασιών περιγράφονται στις εκφωνήσεις των εργασιών και επεξηγούνται στην αίθουσα. Τα κριτήρια αξιολόγησης του γραπτού επίσης περιγράφονται στις τελευταίες διαλέξεις.
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Συμπερασματική)
  • Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική)
  • Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
  • Προφορική Εξέταση (Διαμορφωτική, Συμπερασματική)
  • Δημόσια Παρουσίαση (Διαμορφωτική, Συμπερασματική)
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
  • Έκθεση / Αναφορά (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1. Richard O. Duda, Peter E. Hart, David G. Stork, "Pattern Classification (2nd Edition)", John Wiley & Sons, 2000 2. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer-Verlag, 2008. 3. Διαφάνειες και υλικό σε ηλεκτρονική μορφή 4. Free E-books στα Αγγλικά
Επιπρόσθετη βιβλιογραφία για μελέτη
Sergios Theodoridis, Konstantinos Koutroumbas, "Pattern Recognition", Academic Press, 1999.
Τελευταία Επικαιροποίηση
22-01-2024