Πληροφορίες Μαθήματος
ΤίτλοςΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ - ΣΤΑΤΙΣΤΙΚΗ ΜΑΘΗΣΗ / PATTERN RECOGNITION-STATISTICAL LEARNING
ΚωδικόςNDM-06-04
ΣχολήΘετικών Επιστημών
ΤμήμαΠληροφορικής
Κύκλος / Επίπεδο1ος / Προπτυχιακό, 2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΕαρινή
Υπεύθυνος/ηΙωάννης Πήτας
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID600016577

Πρόγραμμα Σπουδών: ΠΠΣ-Τμήμα Πληροφορικής (2019-σήμερα)

Εγγεγραμμένοι φοιτητές: 44
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΓΕΝΙΚΗ ΚΑΤΕΥΘΥΝΣΗΥΠΟΧΡΕΩΤΙΚΟ ΚΑΤΑ ΕΠΙΛΟΓΗ635

Πληροφορίες Τάξης
ΤίτλοςΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ - ΣΤΑΤΙΣΤΙΚΗ ΜΑΘΗΣΗ
Ακαδημαϊκό Έτος2019 – 2020
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία4
Class ID
600155621
Τύπος Μαθήματος 2016-2020
  • Επιστημονικής Περιοχής
Τύπος Μαθήματος 2011-2015
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
Γλώσσα Διδασκαλίας
  • Ελληνικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Βασικές γνώσεις θεωρίας πιθανοτήτων. Γνώσεις προγραμματισμού Python, C/C++ ή MATLAB. Ευχέρεια στην μελέτη επιστημονικών κειμένων στα Αγγλικά.
Μαθησιακά Αποτελέσματα
α) Γνώσεις: Εμπέδωση των βασικών εννοιών, θεωρίας, αλγορίθμων και τεχνολογίας αναγνώρισης προτύπων και στατιστικής μηχανικής μάθησης. Εκτεταμένη έκθεση σε προγραμματισμό Python, C/C++ ή MATLAB για αναγνώριση προτύπων και στατιστική μηχανική μάθηση. Εξοικείωση με προγραμματιστικά περιβάλλοντα και πακέτα, όπως MATLAB toolboxes. β) Δεξιότητες: Θεμελίωση υποβάθρου για την περαιτέρω μελέτη προβλημάτων και εφαρμογών αναγνώρισης προτύπων και στατιστικής μηχανικής μάθησης στην ανάλυση δεδομένων, π.χ. ανάλυση εικόνας, αναγνώριση σχημάτων, αναγνώριση σημάτων, αναγνώριση προσώπου, αναγνώριση δραστηριότητας, ανάλυση ιατρικής πληροφορίας και ιατρικών σημάτων/εικόνας, ανάλυση γεωγραφικών δεδομένων, ανάλυση διαδικτυακών δεδομένων, ανάλυση χρηματοοικονομικών δεδομένων. Απόκτηση ικανότητας χρήσης και ανάπτυξης αλγορίθμων αναγνώρισης προτύπων. Όξυνση αναλυτικών και προγραμματιστικών δεξιοτήτων. Ικανότητα ανάπτυξης βασικών εφαρμογών αναγνώρισης προτύπων με χρήση με χρήση Python, C/C++ ή MATLAB.
Γενικές Ικανότητες
  • Εφαρμογή της γνώσης στην πράξη
  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Λήψη αποφάσεων
  • Αυτόνομη εργασία
  • Ομαδική εργασία
  • Εργασία σε διεθνές περιβάλλον
  • Εργασία σε διεπιστημονικό περιβάλλον
  • Παραγωγή νέων ερευνητικών ιδεών
  • Σχεδιασμός και διαχείριση έργων
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Ομαδοποίηση (μη επιβλεπόμενη μάθηση). Κατάταξη/ταξινόμηση (επιβλεπόμενη μάθηση). Συναρτήσεις απόφασης. Εκπαιδευόμενοι αλγόριθμοι κατάταξης με συναρτήσεις απόφασης. Κατάταξη με βάση την απόσταση. Κατάταξη με βάση την θεωρία αποφάσεων. Μάθηση παραμέτρων κατανομών. Ημι-επιβλεπόμενη μάθηση. Ελάττωση διαστάσεων (Ανάλυση πρωτευουσών συνιστωσών, Ανάλυση διακριτικής ικανότητας). Μέθοδοι αναγνώρισης προτύπων με γράφους (Ανάλυση γράφων ομοιότητας και διαδικτύου, Φασματική ομαδοποίηση). Ασαφής λογική και αναγνώριση προτύπων. Γκαουσιανά μειξιακά μοντέλα. Μπαιεσιανά δίκτυα. Εργασίες προγραμματισμού αναγνώρισης προτύπων σε Python, C/C++ ή MATLAB. Βιβλιογραφικές εργασίες.
Λέξεις Κλειδιά
Τυχαίες μεταβλητές, συναρτήσεις απόφασης, ομαδοποίηση, κατάταξη με βάση την απόσταση, κατάταξη με βάση την θεωρία αποφάσεων, ανάλυση πρωτευουσών συνιστωσών, ανάλυση διακριτικής ικανότητας, μάθηση παραμέτρων κατανομών, μέθοδοι αναγνώρισης προτύπων με γράφους, ανάλυση γράφων ομοιότητας, φασματική ομαδοποίηση, ασαφής λογική, διανυσματική κβάντιση, μπαιεσιανά δίκτυα, ημι-επιβλεπόμενη μάθηση.
Τύποι Εκπαιδευτικού Υλικού
  • 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
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις104
Μελέτη και ανάλυση βιβλίων και άρθρων21
Εκπόνηση μελέτης (project)25
Σύνολο150
Αξιολόγηση Φοιτητών
Περιγραφή
Γραπτή εξέταση και βιβλιογραφικές ή προγραμματιστικές εργασίες ή προόδους ή παρουσιάσεις στις οποίες οι φοιτητές εξετάζονται και δίνουν μέχρι 2-4 προσθετικές μονάδες (αν ο βαθμός γραπτής εξέτασης είναι τουλάχιστον 4).
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική, Συμπερασματική)
  • Έκθεση / Αναφορά (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1) Sergios Theodoridis and Konstantinos Koutroumbas, Pattern Recognition, 2008 2) Στρίντζης Μ. «Αναγνώριση Προτύπων», Αφοί Κυριακίδη, Θεσσαλονίκη, 2007.
Επιπρόσθετη βιβλιογραφία για μελέτη
1) C. Bishop, Pattern Recognition and Machine Learning, Springer 2011 2) Richard O. Duda, Peter E. Hart and David G. Stork, Pattern Classification, Wiley 2007
Τελευταία Επικαιροποίηση
09-12-2020