Μηχανική Μάθηση

Εξάμηνο μαθήματος
1ου εξαμήνου
Κατηγορία μαθήματος
Υποχρεωτικό
Πιστωτικές Μονάδες
6
Διδάσκοντες

Γ. Πετάσης, Γ. Βούρος

Στοχος

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / η φοιτήτρια θα είναι σε θέση να

  • Εξηγεί θεμελιώδεις έννοιες και βασικές αρχές σε ότι αφορά την μηχανική μάθηση και την παραμετροποίηση/εφαρμογή/αποτίμηση αλγορίθμων μηχανικής μάθησης σε σύνολα δεδομένων.
  • Γνωρίζει, παραμετροποιεί και εφαρμόζει τους βασικότερους αλγορίθμους μηχανικής μάθησης ανά κατηγορία τύπου προβλήματος (regression, classification, clustering).
  • Συνδυάζει αλγορίθμους για την δημιουργία ensembles.
  • Γνωρίζει την μεθοδολογία εφαρμογής αλγορίθμων μηχανικής μάθησης σε δεδομένα, σύγκρισης και επιλογής του κατάλληλου αλγορίθμου.
  • Να αναλύει, οπτικοποιεί και να επεξεργάζεται σύνολα δεδομένων με σκοπό την εύρεση κατάλληλων χαρακτηριστικών για την αναπαράσταση προβλημάτων.
  • Να επικοινωνεί ιδέες που αφορούν την μηχανική μάθηση με καθαρό, σαφή και τυπικό τρόπο.
  •  

Με στόχο να παραμετροποιεί, εφαρμόζει και να αποτιμά αλγόριθμους μηχανικής μάθησης σε προβλήματα, και να εξηγεί τη λειτουργία τους .

Περιεχομενα

  • Εισαγωγικά στοιχεία για την μηχανική μάθηση.
  • Γραμμική Παλινδρόμηση (Linear Regression).
  • Δέντρα αποφάσεων. 
  • Λογιστική παλινδρόμηση (Logistic Regression).
  • Συσταδοποίηση (clustering) και μετρικές αποτίμησης.
  • Naive Bayes, Μηχανές διανυσμάτων υποστήριξης (Support Vector Machines).
  • Μεθοδολογία εφαρμογής αλγορίθμων μηχανικής μάθησης.
  • Μηχανική/Επιλογή χαρακτηριστικών, μείωση διαστατικότητας, συστοιχίες (ensembles).
  • Εισαγωγή στην ενισχυτική μάθηση και βασικοί αλγόριθμοι μάθησης πολιτικών σε διακριτό χώρο καταστάσεων – ενεργειών.
  • Ενισχυτική μάθηση σε περιβάλλοντα μερικής αντίληψης και πολυπρακτορική ενισχυτική μάθηση.

Επιπλέον, στον Eύδοξο αναρτώνται σε ηλεκτρονική μορφή άρθρα, οπτικοακουστικό υλικό διαλέξεων και διαδικτυακές διευθύνσεις για χρήσιμες πληροφορίες καθώς και ασκήσεις για την εξάσκηση των φοιτητών/τριών.

Παρουσιάζονται μελέτες περίπτωσης, παραδειγματικά προβλήματα και μέθοδοι επίλυσης αυτών κοκ.

Ενδεικτικη βιβλιογραφια

  • Christopher Bishop, Pattern Recognition and Machine Learning. Springer 2007.­
  • “Reinforcement Learning: An Introduction”, Richard S. Sutton  and Andrew G. Barto Second Edition (see here for the first edition) MIT Press, Cambridge, MA, 2018
  • Additional research articles on the topics of the lectures