Κωδικός Μαθήματος

ΜΔΑ-220

Εξάμηνο Μαθήματος

1ου Εξαμήνου

Πιστωτικές Μονάδες

7,5

Ηλεκτρονικό Υλικό

Λεύκιππος

Κατηγορία Μαθήματος

Υποχρεωτικό

Διδάσκοντες Μαθήματος

Η. Μαγκλογιάννης
Ο. Τελέλης

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.

Οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος θα μπορούν:

  • να κατανοούν τις βασικές μεθόδους και αλγορίθμους μηχανικής μάθησης,
  • να διακρίνουν προβλήματα εποπτευόμενης και μη εποπτευόμενης μάθησης,
  • να επιλέγουν σωστούς ταξινομητές, μεθόδους επιλογής χαρακτηριστικών, μετασχηματισμούς δεδομένων, και ομαδοποίησής τους,
  • να σχεδιάζουν και να υλοποιούν μεθόδους μηχανικής μάθησης,
  • να αξιολογούν τα αποτελέσματα εφαρμογής αλγορίθμων μηχανικής μάθησης.

Μαθησιακά Αποτελέσματα

  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Λήψη Αποφάσεων
  • Αυτόνομη εργασία
  • Ομαδική εργασία
  • Παραγωγή νέων ερευνητικών ιδεών
  • Σχεδιασμός και διαχείριση έργων
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Περιεχόμενα Μαθήματος

  • Εισαγωγή στη Μηχανική Μάθηση

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

  • 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 C4.5.

  • Ενίσχυση Απόδοσης και Συνδυασμοί Αλγορίθμων Μάθησης

    Αλγόριθμος Adaboost, Τυχαία Δέντρα, Μέθοδοι Συνδυασμού Ταξινομητών.

  • Gradient Descent για Πρόβλεψη / Κατηγοριοποίηση

    Γραμμική Παλινδρόμηση, Λογιστική Παλινδρόμηση, Μηχανές Διανυσμάτων Υποστήριξης. Στοχαστική Εκδοχή.

  • Μηχανές Διανυσμάτων Υποστήριξης

    Γραμμική / Μη Γραμμική Κατηγοριοποίηση, Συναρτήσεις Kernel, Κατηγοριοποίηση Πολλαπλών Κλάσεων.

  • Μάθηση βασισμένη σε Στιγμιότυπα

    Αλγόριθμος k-NearestNeighbor, Τοπική Παλινδρόμηση, Επιλογή Υποδειγμάτων Εκπαίδευσης, Δίκτυα RBF.

  • Προγραμματισμός για Μηχανική Μάθηση σε Python

    Βιβλιοθηκη Numpy, Οπτικοποίηση με τη βιβλιοθήκη Matplotlib.

  • Εφαρμογή Μηχανικής Μάθησης σε Python

    Βιβλιοθήκη scikit-learn.

  • Weka

    Γραφικό και Προγραμματιστικό Περιβάλλον, Μελέτες Περίπτωσης, Πρακτική Εξάσκηση.

  • Rapid Miner

    Γραφικό και Προγραμματιστικό Περιβάλλον, Μελέτες Περίπτωσης, Πρακτική Εξάσκηση.

Βιβλιογραφία

  • 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.
  • Journal of Machine Learning Research (www.jmlr.org)
  • Machine Learning (Springer)
  • Pattern Recognition (Elsevier)
  • Journal of Artificial Intelligence Research (www.jair.org)