1. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα

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

• Κατανοεί τις βασικές έννοιες της μηχανικής μάθησης (είδη μηχανικής μάθησης, μέθοδοι εκπαίδευσης, μέτρηση ακρίβειας)
• Κατανοεί τις βασικές έννοιες νευρωνικών δικτύων και μηχανών διανυσμάτων υποστήριξης
• Κατανοεί τις βασικές έννοιες ομαδοποίησης δεδομένων και γνωρίζουν τους αντιπροσωπευτικότερους αλγορίθμους για αυτές
• Κατανοεί τις βασικές έννοιες των μεθόδων επιλογής χαρακτηριστικών και μείωσης διάστασης των δεδομένων
• Είναι σε θέση να επιλέξει τον καταλληλότερο μοντέλο/μεθοδολογία μηχανικής μάθησης για την επίλυση διαφορετικών προβλημάτων
• Αναγνωρίζει συχνά προβλήματα (π.χ. υπερ-εκπαίδευση) μεθόδων μηχανικής μάθησης και είναι σε θέση να τα αντιμετωπίσει
• Να εφαρμόζει τεχνικές μάθησης με επίβλεψη (classification, prediction) και χωρίς επίβλεψη (clustering, associations).
• Να γνωρίζει τα στατιστικά Μοντέλα και τον κανόνα του Bayes
• Να γνωρίζει τις μηχανές διανυσμάτων υποστήριξης (Support vector machines)
• Να υλοποιεί σε εφαρμογές το Clustering και τον αλγόριθμο K-μέσων
• Να εφαρμόζει Ενισχυτική Μάθηση (Reinforcement Learning) και να υλοποιεί Dimensionality reduction και Sparse Dictionary Learning

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: Το μάθημα στοχεύει να δώσει στους φοιτητές τις απαραίτητες γνώσεις ώστε να αποκτήσουν η εξοικείωση με θεμελιώδεις τεχνικές και αλγορίθμους μηχανικής μάθησης που καλύπτουν το φάσμα των διαφορετικών εφαρμογών του αντικειμένου. Στόχος είναι οι φοιτητές να αποκτήσουν κριτική ικανότητα για την επιλογή της κατάλληλης μεθοδολογίας για το εκάστοτε πρόβλημα μηχανικής μάθησης, με κατανόηση των πλεονεκτημάτων και μειονεκτημάτων της. 

Τίτλος ενότητας

Βιβλιογραφία

Σύνδεσμος παρουσίασης

1. Εισαγωγή στη Μηχανική Μάθηση

2. Μάθηση μεεπίβλεψη (classification, prediction)

3. Υπολογιστικές μέθοδοι ταξινόμησης

4. Στατιστικά Μοντέλα και ο κανόνας του Bayes

5. Νευρωνικά δίκτυα - εισαγωγή

6. Μηχανές διανυσμάτων υποστήριξης (Support vector machines)

7. Μοντέλα βαθιάς μάθησης

8. Συνδυαστικοί αλγόριθμοι μάθησης

9. Στοχαστικές μέθοδοι

10. Γραφικά μοντέλα

11. Αναδρομικά Νευρωνικά Δίκτυα

12. Μάθηση χωρίςεπίβλεψη (clustering, associations)

13. Eνισχυτική Μάθηση (Reinforcement Learning)

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

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

Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου, Τεχνητή Νοημοσύνη, Γ' Έκδοση, Εκδόσεις Πανεπιστημίου Μακεδονίας, 2011

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

Ξενόγλωση βιβλιογραφία:

T. Mitchell. Machine Learning. McGraw-Hill (International Edition), 1997.

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

K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012