Κωδικός Μαθήματος

ΜΔΑ-220

Εξάμηνο Μαθήματος

1ου Εξαμήνου

Πιστωτικές Μονάδες

7,5

Ηλεκτρονικό Υλικό

https://evdoxos.ds.unipi.gr/courses/DSERV112

Κατηγορία Μαθήματος

Υποχρεωτικό

Μηχανική Μάθηση: Μέθοδοι και Αλγόριθμοι

Στόχος

Στόχος του μαθήματος είναι η εξοικείωση των φοιτητών με θεμελιώδεις τεχνικές και αλγορίθμους μηχανικής μάθησης που καλύπτουν το φάσμα των διαφορετικών εφαρμογών  του αντικειμένου (επιβλεπόμενη / μη επιβλεπόμενη μάθηση). Στα αναμενόμενα μαθησιακά αποτελέσματα συμπεριλαμβάνεται η γνώση των θεμελιωδών μεθόδων μηχανικής μάθησης και η απόκτηση εμπειρίας στην υλοποίηση και τη χρήση τους, καθώς και η κριτική ικανότητα για την επιλογή της κατάλληλης μεθοδολογίας για το εκάστοτε πρόβλημα μηχανικής μάθησης, με κατανόηση των πλεονεκτημάτων και μειονεκτημάτων της.

 

Περιεχόμενα Μαθήματος

Εισαγωγή στη Μηχανική Μάθηση.

Είδη Μηχανικής Μάθησης, Μέθοδοι Εκπαίδευσης, Μέτρηση Ακρίβειας, Πρόβλεψη, Ταξινόμηση.

Νευρωνικά Δίκτυα.

Μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, Δίκτυα πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος (πολυστρωματικό perceptron, αλγόριθμος backpropagation).

Συσταδοποίηση.

Ορισμοί, Είδη συσταδοποίησης, Συναρτήσεις Απόστασης, Συναρτήσεις Ομοιότητας, Διαμεριστική Συσταδοποίηση, Αλγόριθμος k-means, Ιεραρχική Συσταδοποίηση.

Απομείωση Διαστασιμότητας Δεδομένων.

Ανάλυση Κυρίων Συνιστωσών, Ανάλυση Γραμμικού Διαχωριστή, Εμπέδωση Χαμηλής Διαστασιμότητας.

Επιλογή Χαρακτηριστικών και Συγχώνευση Δεδομένων.

Filtering, Προσέγγιση Wrapper, Εμπεδωμένες Μέθοδοι Επιλογής Χαρακτηριστικών.

Ταξινομητές Μέγιστης Πιθανοφάνειας.

Μάθηση κατά Bayes, Πιθανοφάνεια, Προσαρμογή Μοντέλου, Απλός Ταξινομητής Bayes, Bayesian Networks.

Δέντρα Απόφασης.

Αναπαράσταση Δέντρων, Αναζήτηση στο χώρο Υποθέσεων, Κέρδος Πληροφορίας, Αλγόριθμος ID3, Αλγόριθμος C5.

Ενίσχυση Απόδοσης και Συνδυασμοί Αλγορίθμων Μάθησης.

Αλγόριθμος Adaboost, Τυχαία Δέντρα, Μέθοδοι Συνδυασμού Ταξινομητών.

Weka.

Γραφικό και Προγραμματιστικό Περιβάλλον, Μελέτες Περίπτωσης, Πρακτική Εξάσκηση.

Rapid Miner.

Γραφικό και Προγραμματιστικό Περιβάλλον, Μελέτες Περίπτωσης, Πρακτική Εξάσκηση.

 

Προτεινόμενα Συγγράμματα

  • Mitchell. Machine Learning. McGraw-Hill (International Edition), 1997.
  • Bishop. Pattern Recognition and Machine Learning. Springer, 2007.
  • Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.