Κωδικός Μαθήματος

ΜΔΑ-289

Εξάμηνο Μαθήματος

2ου Εξαμήνου

Πιστωτικές Μονάδες

7,5

Ηλεκτρονικό Υλικό

Λεύκιππος

Κατηγορία Μαθήματος

Υποχρεωτικό

Διδάσκοντες Μαθήματος

Η. Μαγκλογιάννης
Α. Πρέντζα

Στόχος

Στόχος του μαθήματος είναι η εισαγωγή προηγμένων μεθοδολογιών βαθιάς μηχανικής μάθησης και τεχνητής νοημοσύνης που αφορούν σε εκμάθηση διαδικασιών λήψης αποφάσεων, στην ενίσυχη 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.

Οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος θα μπορούν:

  • να εξηγούν θεμελιώδεις έννοιες τεχνητής νοημοσύνης
  • να επιλέγουν αλγόριθμο για την επίλυση προβλημάτων τεχνητής νοημοσύνης
  • να αποτιμούν τη χρησιμότητα και αδυναμίες εναλλακτικών αλγορίθμων και τεχνικών
  • να μοντελοποιούν προβλήματα ως προβλήματα αναζήτησης, επίλυσης περιορισμών και λογικής
  • να κατανοούν αρχιτεκτονικές βαθιάς μάθησης
  • να σχεδιάζουν και να υλοποιούν συστήματα βαθιάς μάθησης
  • να αξιολογούν την καταλληλότητα εφαρμογής συστημάτων βαθιάς μάθησης

Μαθησιακά Αποτελέσματα

  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
  • Προσαρμογή σε νέες καταστάσεις
  • 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

    Εισαγωγή στην τεχνητή νοημοσύνη και μηχανική μάθηση, κατηγορίες προβλημάτων, μάθηση με επίβλεψη, μάθηση χωρίς επίβλεψη, μάθηση με ενίσχυση, παραδείγματα εφαρμογών.

  • Νευρωνικά δίκτυα I

    Εισαγωγή στα νευρωνικά δίκτυα, μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, perceptron, γραμμική και μη-γραμμική διαχωρισιμότητα, πολυεπίπεδο perceptron, αλγόριθμοι εκπαίδευσης νευρωνικών δικτύων.

  • Νευρωνικά δίκτυα ΙI

    Αξιολόγηση απόδοσης νευρωνικών δικτύων, ικανότητα γενίκευσης, εφαρμογές ανάπτυξης νευρωνικών δικτύων, μελέτη περίπτωσης.

  • Συσταδοποίηση Ι

    Ορισμοί, κατηγορίες ομαδοποίησης, συναρτήσεις απόστασης, συναρτήσεις ομοιότητας, διαμεριστική συσταδοποίηση, αλγόριθμος k-means.

  • Συσταδοποίηση ΙΙ

    Ιεραρχική συσταδοποίηση, αξιολόγηση και εγκυρότητα συσταδοποίησης, εφαρμογές συσταδοποίησης, μελέτη περίπτωσης.

  • Βαθιά μάθηση και συνελικτικά νευρωνικά δίκτυα I

    Εισαγωγή στην βαθιά εκμάθηση, συνένωση και συγκέντρωση, αρχιτεκτονικές βαθιάς εκμάθησης, εκπαίδευση βαθιών νευρωνικών δικτύων.

  • Βαθιά μάθηση και συνελικτικά νευρωνικά δίκτυα II

    Επαναλαμβανόμενα νευρωνικά δίκτυα, γενετικά μοντέλα, ανίχνευση και τμηματοποίηση, οπτικοποίηση και κατανόηση, μεταφορά μάθησης.

  • Deep Learning Lab

    Παραδείγματα βαθιάς εκμάθησης, Αναγνώριση με προενταξιακά δίκτυα, μεταβίβαση μάθησης, εκπαίδευση και αξιολόγηση.

  • Πολυδιάστατη επεξεργασία δεδομένων

    Πολυδιάστατη όραση, Εξαγωγή χαρακτηριστικών, Αναγνώριση, Ταξινόμηση, Ανάλυση βίντεο.

  • Μηχανική μάθηση σε βιοϊατρικά δεδομένα

    Αναπαράσταση βιοϊατρικών δεδομένων, Εξαγωγή γνώσης, Ανίχνευση συμβάντων και ανωμαλιών σε ιατρικό ιστορικό, μηχανική μάθηση για διάγνωση και στρατηγικές υγείας.

Βιβλιογραφία

  • Machine Learning. McGraw-Hill (International Edition), 1997.
  • Pattern Recognition and Machine Learning. Springer, 2007.
  • Python for Data Analysis. O’Reilly, 2012.
  • Python Machine Learning. Packt Publishing, 2015.
  • Witten, E. Frank, M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 3rd edition, 2011.
  • Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press, http://www.deeplearningbook.org, 2016
  • Journal of Machine Learning Research (www.jmlr.org)
  • Machine Learning (Springer)
  • Pattern Recognition (Elsevier)
  • Journal of Artificial Intelligence Research (www.jair.org)