Μηχανική Μάθηση
| Τίτλος | Μηχανική Μάθηση / MACHINE LEARNING |
| Κωδικός | ΝAKA828Ε |
| Σχολή | Γεωπονίας, Δασολογίας και Φυσικού Περιβάλλοντος |
| Τμήμα | Γεωπονίας |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Γεώργιος Μενεξές |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600024901 |
Πρόγραμμα Σπουδών: ΠΜΣ Αειφορικά Γεωργικά Συστήματα και Κλιματική Αλλαγή
Εγγεγραμμένοι φοιτητές: 0
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΚΟΡΜΟΣ | Επιλογής | 3 | 2 | 8 |
| Τίτλος | Μηχανική Μάθηση |
| Ακαδημαϊκό Έτος | 2025 – 2026 |
| Περίοδος Τάξης | Χειμερινή |
| Διδάσκοντες μέλη ΔΕΠ |
|
| Διδάσκοντες άλλων Κατηγοριών |
|
| Ώρες Εβδομαδιαία | 5 |
| Ώρες Συνολικά | 65 |
| Class ID | 600257125
|
Τύπος Μαθήματος
Ειδικού Υποβάθρου
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
- Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600257125
- eLearning: https://eclass.auth.gr/courses/OCRS143/
- OpenCourses (eClass): https://eclass.auth.gr/courses/OCRS143/
- Άλλη: http://users.auth.gr/gmenexes
Erasmus
Το μάθημα προσφέρεται και σε φοιτητές
προγραμμάτων ανταλλαγής.
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
- Αγγλικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Οι φοιτητές πρέπει να είναι εξοικειωμένοι με τη χρήση Η/Υ.
Οι φοιτητές πρέπει να έχουν διδαχθεί Στατιστική και Γεωργικό Πειραματισμό.
Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα πρέπει να:
1) Είναι σε θέση να μπορούν εξηγήσουν βασικές και σημαντικές έννοιες και ιδέες σχετικές με τη Θεωρία Πιθανοτήτων και της Στατιστικής καθώς και τη θεωρία πάνω στις οποίες στηρίζονται οι πιο συχνά χρησιμοποιούμενες στατιστικές τεχνικές.
2) Είναι σε θέση να εφαρμόζουν ορθά τις στατιστικές τεχνικές και μεθόδους για την επίλυση βιολογικών προβλημάτων.
3) Είναι σε θέση να πραγματοποιούν στατιστικές αναλύσεις με τη χρήση διαδεδομένων στατιστικών πακέτων.
4) Είναι σε θέση να ετοιμάζουν στατιστικές αναφορές και να πραγματοποιούν επιστημονικές παρουσιάσεις,
5) Είναι σε θέση να επικοινωνούν με έναν Στατιστικό.
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
- Σχεδιασμός και διαχείριση έργων
- Σεβασμός στο φυσικό περιβάλλον
- Άσκηση κριτικής και αυτοκριτικής
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Εισαγωγή στην Ανάλυση Δεδομένων - Βασικές έννοιες της Ανάλυσης Δεδομένων - Μέθοδοι συλλογής και αποθήκευσης δεδομένων - Επεξεργασία και “καθαρισμός” δεδομένων. Εισαγωγή στη Μηχανική Μάθηση - Εισαγωγή στη Μηχανική Μάθηση. Σημαντικά προβλήματα της Μηχανικής Μάθησης. Ανασκόπηση στοιχείων Θεωρίας Πιθανοτήτων και Γραμμικής Άλγεβρας. Επιβλεπόμενη Μάθηση -Παρουσίαση βασικών αλγορίθμων (Παλινδρόμηση, Ταξινομητής Bayes, Ταξινομητής Κ πλησιέστερων γειτόνων, Δέντρα αποφάσεων, Μηχανές διανυσμάτων υποστήριξης, Νευρωνικά Δίκτυα). Αξιολόγηση μοντέλων, Μετρικές απόδοσης, Υπερπροσαρμογή/Υποπροσαρμογή, Ομαλοποίηση, Βελτιστοποίηση. Μη Επιβλεπόμενη Μάθηση - Παρουσίαση βασικών αλγορίθμων (Ανάλυση σε συστάδες, Ανάλυση σε κύριες συνιστώσες). Εισαγωγή στην Ενισχυτική Μάθηση - Παρουσίαση βασικών αλγορίθμων (Διαδικασίες απόφασης Markov, Κριτήριο βελτιστότητας Bellman, Επανάληψη τιμής, Επανάληψη πολιτικής). Εισαγωγή στη Βαθιά Μάθηση - Παρουσίαση βασικών αλγορίθμων (Βαθιά νευρωνικά δίκτυα πρόσθιας τροφοδότησης. Συνελικτικά Νευρωνικά Δίκτυα). Μελέτες περίπτωσης – παραδείγματα – εφαρμογές στις γλώσσες προγραμματισμού Python και R/Rstudio. Ο/η φοιτητής/τρια μπορεί να αξιοποιήσει καλύτερα τη γνώση που του παρέχεται στο μάθημα αυτό εάν έχει γνώσεις από το μάθημα «Βιομετρία ΙΙ» καθώς και εάν κατέχει βασικές δεξιότητες χρήσης ηλεκτρονικού υπολογιστή.
Λέξεις Κλειδιά
Πειραματικά σχέδια, Ανάλυση Παραλλακτικότητας, Γραμμική και μη γραμμική Συμμεταβολή, Πολυμεταβλητή Ανάλυση Δεδομένων, Στατιστικά Πακέτα
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 Εργαστηριακή Εκπαίδευση
- Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
- Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Περιγραφή
Web, Internet, Χρήση powerpoint, προβολή video, Excel, SPSS, εκπαιδευτικό λογισμικό, zoom, email.
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 65 | ✓ | ✓ | ||
| Σεμινάρια | 20 | ✓ | ✓ | ||
| Εργαστηριακή Άσκηση | 20 | ✓ | ✓ | ✓ | |
| Μελέτη και ανάλυση βιβλίων και άρθρων | 30 | ✓ | ✓ | ✓ | |
| Φροντιστήριο | 20 | ✓ | ✓ | ✓ | |
| Εκπόνηση μελέτης (project) | 20 | ✓ | ✓ | ✓ | |
| Συγγραφή εργασίας / εργασιών | 20 | ✓ | ✓ | ✓ | |
| Εξετάσεις | 5 | ✓ | ✓ | ||
| Σύνολο | 200 |
Αξιολόγηση Φοιτητών
Περιγραφή
Γραπτές Εξετάσεις (60%), εκπόνηση Project (20%), Προφορικές εξετάσεις (10%)
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
- Προφορική Εξέταση (Διαμορφωτική, Συμπερασματική)
- Δημόσια Παρουσίαση (Διαμορφωτική, Συμπερασματική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική, Συμπερασματική)
- Έκθεση / Αναφορά (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1) Φωτιάδης, Ν. (1995). "Εισαγωγή στη Στατιστική για βιολογικές επιστήμες". Θεσσαλονίκη: University Studio Preee (Κωδικός Εύδοξος: 17225).
2) Φασούλας, Α. (2008). "Στοιχεία Πειραματικής Στατιστικής". Θεσσαλονίκη: Εκδόσεις Γαρταγάνη.(Κωδικός Εύδοξος: 1944).
Επιπρόσθετη βιβλιογραφία για μελέτη
1) Steel, R., Torrie, J. & Dickey, D. (1997). Principles and Procedures of Statistics: A Biometrical Approach. Third Edition. Singapore: McGraw-Hill Book Company.
2) Gomez, K. & Gomez, A. (1984). Statistical Procedures for Agricultural Research. Singapore: John Willey & Sons, Inc.
3) Zar, J. (1996). Biostatistical Analysis. New Jersey: Prentice-Hall International, Inc.
4) Μενεξές, Γ. & Οικονόμου, Α. (2002). Σφάλματα και Παρανοήσεις στους Στατιστικούς Ελέγχους Υποθέσεων: Υπέρβαση μέσω της Ανάλυσης Δεδομένων. Τετράδια Ανάλυσης Δεδομένων-Data Analysis Bulletin, 2, 52-64.
5) Μενεξές, Γ. (2007). Μια Δομημένη Προσέγγιση στην Πολυμεταβλητή Στατιστική Ανάλυση Βιολογικών, Περιβαλλοντικών, Κοινωνικών και Οικονομικών Δεδομένων. Στο Φυσικοί Πόροι, Περιβάλλον και Ανάπτυξη (σσ. 519-534). Επιμέλεια: Γ. Αραμπατζής και Σ. Πολύζος. Θεσσαλονίκη: Εκδόσεις Τζιόλα.
6) Μενεξές, Γ. (2013). Οδηγός Ανάλυσης Παραλλακτικότητας Δεδομένων Γεωργικών Πειραμάτων με Στατιστικά Πακέτα. Εκπαιδευτικές Σημειώσεις.
Τελευταία Επικαιροποίηση
01-09-2024
