Ηλεκτρονική Διάθεση Μαθήματος
Μαθησιακά Αποτελέσματα
Γνωστικά: Ο φοιτητής θα αποκτήσει εξειδικευμένη γνώση για την αντιμετώπιση ζητημάτων που ανακύπτουν σε πραγματικές εφαρμογές μηχανικής μάθησης (ανισοκατανομή κλάσεων, διαφορετικά κόστη σφαλμάτων, περιορισμένoι πόροι για την απόκτηση δεδομένων εκπαίδευσης, δεδομένα με πολλαπλές ετικέτες, περιπτώσεις και σχέσεις, ανάγκη για ερμηνεύσιμα μοντέλα και αποφάσεις). Επιπλέον θα γνωρίσει πραγματικές εφαρμογές της μηχανικής μάθησης στη βιομηχανία (κατάτμηση πελατών, πρόβλεψη ζήτησης προϊόντων, πρόβλεψη παραγωγής και ζήτησης ενέργειας).
Δεξιότητες: Ο φοιτητής θα αποκτήσει χρήσιμες δεξιοτήτων για ερευνητές και επαγγελματίες μηχανικής μάθησης (ανάγνωση, αξιολόγηση και συγγραφή ερευνητικών εργασιών, χρήση λογισμικού μηχανικής μάθησης, υλοποίηση αλγορίθμων μηχανικής μάθησης).
Περιεχόμενο Μαθήματος
Σφάλματα ταξινόμησης με διαφορετικό κόστος, ασυμμετρία κλάσεων, μάθηση από δεδομένα πολλαπλών ετικετών, μάθηση από σάκους περιπτώσεων, ενεργή μάθηση, ερμηνευσιμότητα, ανάγνωση, αξιολόγηση και συγγραφή ερευνητικών εργασιών, εξόρυξη σχεσιακών δεδομένων, κατάτμηση πελατών, πρόβλεψη πωλήσεων, πρόβλεψη παραγωγής και ζήτησης ενέργειας.
Βιβλιογραφία μαθήματος (Εύδοξος)
Παρουσιάσεις μαθήματος, λίστα διαφορετικών συγγραμμάτων ή/και επιστημονικών δημοσιεύσεων ανά αντικείμενο του μαθήματος. Ενδεικτικά:
- Nathalie Japkowicz and Mohak Shah. 2011. Evaluating Learning Algorithms: A Classification Perspective. Cambridge University Press, New York, NY, USA.
- Burr Settles, Active Learning, Synthesis Lectures on Artificial Intelligence and Machine Learning
Morgan & Claypool Publishers, June 2012.