1. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση:

• Κατανοεί τις βασικές αρχές της Βαθιάς Μάθησης
• Υλοποιεί τρόπους για να ταξινομεί και τμηματοποιεί εικόνες
• Υλοποιεί προγράμματα για την πρόβλεψη χρονοσειρών
• Υλοποιεί προγράμματα για την ταξινόμηση κειμένων και αυτόματη μετάφραση
• Οπτικοποιεί πολύπλοκα δεδομένα

Γενικές Ικανότητες

Οι γενικές ικανότητες που θα πρέπει να έχει αποκτήσει ο φοιτητής/φοιτήτρια και στις οποίες αποσκοπεί το μάθημα είναι:

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών 
• Προσαρμογή σε νέες καταστάσεις 
• Μετατροπή της θεωρίας σε πράξη
• Λήψη αποφάσεων 
• Αυτόνομη εργασία 
• Ομαδική εργασία 
• Παραγωγή νέων ερευνητικών ιδεών
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

2. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

Σύντομη Περιγραφή Μαθήματος: Η βαθιά μάθηση είναι ένας τύπος μηχανικής μάθησης και τεχνητής νοημοσύνης (AI) που μιμείται τον τρόπο με τον οποίο οι άνθρωποι αποκτούν ορισμένους τύπους γνώσης. Η βαθιά μάθηση είναι ένα σημαντικό στοιχείο της επιστήμης δεδομένων, η οποία περιλαμβάνει στατιστικά και προγνωστικά μοντέλα. Η οπτικοποίηση δεδομένων είναι ένα διεπιστημονικό πεδίο που ασχολείται με τη γραφική αναπαράσταση δεδομένων. Είναι ένας ιδιαίτερα αποτελεσματικός τρόπος επικοινωνίας όταν τα δεδομένα είναι πολυάριθμα όπως για παράδειγμα μια χρονοσειρά. Το μάθημα έχει ως στόχο την εξειδικευμένη ανάλυση στη βαθιά (μηχανική) μάθηση και στην οπτικοποίηση των δεδομένων. 

Τίτλος ενότητας

Βιβλιογραφία

Σύνδεσμος παρουσίασης

1. Εισαγωγή στη Βαθιά Μάθηση

2. Από την Βαθιά Μάθηση στη Γενίκευση

3. Δίκτυα Συνάρτησης Ακτινικής Βάσης

4. Περιορισμικές Μηχανές Boltzmann

5. Επαναλαμβανόμενα Νευρωνικά Δίκτυα

6. Συνελικτικά Νευρωνικά Δίκτυα

7. Βαθιά Ενισχυτική Μάθηση

8. Εισαγωγή στην ανάλυση ποσοτικών και ποιοτικών δεδομένων

9. Εφαρμογές της ανάλυσης ποσοτικών δεδομένων

10. Εφαρμογές της ανάλυσης ποιοτικών δεδομένων

11. Μεικτές μέθοδοι: Συνδυασμός μεθόδωνς ανάλυσης ποσοτικών και ποιοτικών δεδομένων

12. Οπτικοποίηση Δεδομένων

13. Μελέτη περίπτωσης: Οπτικοποίηση Δεδομένων

Τρόποι αξιολόγησης φοιτητή:

Πρόταση 1

Εργασίες (ατομικές, ομαδικές), Εβδομαδιαίες Ασκήσεις, Τελική Εξέταση

Η αρίθμηση αναφέρεται στην αντίστοιχη εβδομάδα του μαθήματος.

3. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ.

Π.χ. Πρόσωπο με πρόσωπο

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ

Επικοινωνία με φοιτητές μέσω email, eclass, PC, Video Projector, Διαδραστικός Πίνακας, Ανάρτηση του εκπαιδευτικού υλικού και των διαλέξεων στην πλατφόρμα eclass

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ

Δραστηριότητα

Φόρτος Εργασίας Εξαμήνου

Διαλέξεις

39

Αυτοτελής Μελέτη

111

Σύνολο μαθήματος (25 ώρες φόρτου εργασίας ανά πιστωτική μονάδα)

150

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ 

Γραπτή τελική εξέταση (επίλυση προβλημάτων, ερωτήσεις πολλαπλής επιλογής) 40%

Ομαδική εργασία θεωρίας (αναφορά και προφορική εξέταση) 25%

Ομαδική εργασία εργαστηρίου (αναφορά και προφορική εξέταση) 20%

Εβδομαδιαίες ασκήσεις για το σπίτι 15%

4. ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

Charu C. Aggarwal, Νευρωνικά Δίκτυα και βαθιά μάθηση, Εκδόσεις Φούντας, 2020, ISBN: 978-960-330-802-7, Εύδοξος: 94691948

T. Bergin, Εισαγωγή στην Ανάλυση Δεδομένων, Gutenberg, 2021

M. Kubat, Εισαγωγή στη Μηχανική Μάθηση, Εκδόσεις Φούντας, Εύδοξος: 102074861

Christ. Bishop, Αναγνώριση Προτύπων και Μηχανική Μάθηση, Εύδοξος: 86053413

Κ. Διαμαντάρας, Δ. Μπότσης, Μηχανική Μάθηση, Κλειδάριθμος.

Haykin, Simon. Νευρωνικά δίκτυα και μηχανική μάθηση, 3η έκδ., Αθήνα, Παπασωτηρίου, 2010.

Ξενόγλωση βιβλιογραφία:

Goodfellow I., Bengio Y., Courville, A., Deep Learning, Εκδ. ΜΙΤ Press, 2016.

Francois Chollet, Deep Learning with Python, Second Edition, 2021

Kieran Healy, Data Visualisation: A Practical Introduction, Princeton University Press; 1st edition, 2019

Cole Nussbaumer Knaflic, Storytelling with Data: Let’s Practice, Wiley; 1st edition, 2019.

Cole Nussbaumer Knaflic, Storytelling with Data: A Data Visualization Guide for Business Professionals. Wiley; 1st edition, 2015.

C. Bishop. Pattern Recognition and Machine Learning. Springer, 2007.