Κωδικός Μαθήματος

ΜΔΑ-250

Εξάμηνο Μαθήματος

2ου Εξαμήνου

Πιστωτικές Μονάδες

7,5

Ηλεκτρονικό Υλικό

https://evdoxos.ds.unipi.gr/courses/DSERV115

Κατηγορία Μαθήματος

Υποχρεωτικό

Πρακτική Μηχανική Μάθηση

Στόχος

Στόχος του μαθήματος είναι η εισαγωγή προηγμένων μεθοδολογιών μηχανικής μάθησης που αφορούν σε εκμάθηση διαδικασιών λήψης αποφάσεων, στην ενίσχυση της απόδοσης και τη συνδυασμένη χρήση βασικών αλγορίθμων, και στην προετοιμασία και επεξεργασία των διαθέσιμων δεδομένων για την αποδοτικότερη αξιοποίησή τους. Στα αναμενόμενα μαθησιακά αποτελέσματα περιλαμβάνονται η εμπεριστατωμένη κατανόηση της απόδοσης των μεθόδων μηχανικής μάθησης, η δυνατότητα συνδυασμένης χρήσης τους για την επίλυση απαιτητικών προβλημάτων και η δυνατότητα ανάλυσης δεδομένων για την προεπεξεργασία τους και το συνδυασμό τους με την κατάλληλη μεθοδολογία.

 

Περιεχόμενα

Ταξινομητές Μέγιστης Πιθανοφάνειας.

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

Μάθηση βασισμένη σε Στιγμιότυπα.

Αλγόριθμος k-NearestNeighbor, Τοπική Παλινδρόμηση με Βάρη, Λογισμός βασισμένος σε Περιπτώσεις.

Εισαγωγή στην Ανάλυση Δεδομένων σε Python.

Βιλιοθήκες, NumPy, Pandas. Εισαγωγικά Παραδείγματα, Οπτικοποίηση δεδομένων με τη βιβλιοθήκη matplotlib.

Δέντρα Απόφασης.

Αναπαράσταση Δέντρων, Αναζήτηση στο χώρο Υποθέσεων, Κέρδος Πληροφορίας, Αλγόριθμος ID3, Αλγόριθμος C4.5.

Ενίσχυση Απόδοσης και Συνδυασμοί Αλγορίθμων Μάθησης.

Αλγόριθμος Adaboost, Τυχαία Δέντρα, Μέθοδοι Συνδυασμού Ταξινομητών.

Προγραμματισμός για Μηχανική Μάθηση σε Python.

Προγραμματισμός Ταξινομητών με τη βιβλιοθήκη Scikit-learn.

Weka και RapidMiner.

Γραφικό και Προγραμματιστικό Περιβάλλον, Μελέτες Περίπτωσης, Πρακτική Εξάσκηση.

Matlab/Octave.

Γραμμική/Λογαριθμική Παλινδρόμηση, Ροή Εργασίας Μάθησης με Επίβλεψη και Αλγόριθμοι, Μηχανές Διανυσμάτων Στήριξης, Μάθηση χωρίς Επίβλεψη, Εφαρμογές.

Επεξεργασία Πολυδιάστατων Δεδομένων.

Γλώσσα R – Εφαρμογές.

Προτεινόμενα Συγγράμματα

  • T. Mitchell. Machine Learning. McGraw-Hill (International Edition), 1997.
  • C. Bishop. Pattern Recognition and Machine Learning. Springer, 2007.
  • W. McKinney. Python for Data Analysis. O’Reilly, 2012.
  • S. Raschka. Python Machine Learning. Packt Publishing, 2015.
  • I. H. Witten, E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 3rd edition, 2011.