Στοχος
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / η φοιτήτρια θα είναι σε θέση να:
- κατέχει το σώμα βασικής γνώσης για τη συνέχεις των σπουδών
- κατέχει θεμελιώδεις έννοιες, βασικές θεωρίες και προγραμματιστικές πρακτικές
Συγκεκριμένα, το μάθημα καλύπτει τα παρακάτω θέματα αποσκοπώντας στα μαθησιακά αποτελέσματα που προαναφέρθηκαν.
- Θεωρία πιθανοτήτων
- Λογισμός
- Γραμμική άλγεβρα
- Υπολογιστική λογική
- Προγραμματισμός, βιβλιοθήκες, βασικές πρακτικές και διαδικασίες για μηχανική μάθηση
Αυτό επιτυγχάνεται μέσω της κριτικής θεώρησης των μεθόδων που διδάσκεται, την επίλυση ασκήσεων και την υλοποίηση παραδειγματικών συστημάτων, με στόχο να κατανοεί, σχεδιάζει και κατασκευάζει αποδοτικές μεθόδους Τεχνητής Νοημοσύνης.
Επιπλέον το μάθημα αποσκοπεί στις ακόλουθες γενικές ικανότητες των φοιτητών:
- Ικανότητα αναζήτησης και εμβάθυνσης σε ειδικότερα θεωρητικά και πρακτικά θέματα για την κάλυψη ιδιαίτερων αναγκών των μαθημάτων του προγράμματος σπουδών
- Ικανότητα επίλυσης προβλημάτων
- Ικανότητα ανάπτυξης κριτικής σκέψης και ικανότητα για κριτικές προσεγγίσεις
- Ικανότητα διεπιστημονικών προσεγγίσεων
- Ικανότητα εφαρμογής των θεωρητικών γνώσεων στην πράξη
Ικανότητα προσαρμογής των μεθόδων και τεχνικών σε νέες καταστάσεις και συνθήκες
Περιεχομενα
- Εισαγωγή στον προγραμματισμό με χρήση της γλώσσας προγραμματισμού Python, Συντακτικό Python, Δημιουργία scripts, Μεταβλητές και τύποι δεδομένων, Συναρτήσεις Python, Διαχείριση Αρχείων, Modules και packages.
- Βιβλιοθήκες python (π.χ. Numpy, Scikit-learn, Matplotlib) για τη δημιουργία εργαλείων Μηχανικής Μάθησης, Δημιουργία και διαχείριση πινάκων Numpy, Βασικές πράξεις πινάκων, Γραμμική Άλγεβρα με Numpy, Παράδειγμα Γραμμικής Παλινδρόμησης με Numpy
- Εισαγωγή και εγκατάσταση του εργαλείου PyTorch, Εισαγωγή στο σύστημα Automatic Differentiation της PyTorch, Tensors, Πράξεις με tensors, Data Loaders και pre-processing δεδομένων, Δημιουργία και εκπαίδευση Νευρωνικού Δικτύου
- Εισαγωγή σε Machine Learning Operations (MLOPs), Αυτοματοποίηση και διαχείριση μοντέλων Μηχανικής Μάθησης, Εφαρμογές MLOPs
- Πίνακες, πράξεις με πίνακες, ορίζουσες, ανάστροφος και αντίστροφος ενός πίνακα. Γραμμικές εξισώσεις, μέθοδοι επίλυσης γραμμικών συστημάτων, απαλοιφή Gauss, κανόνας του Cramer. χαρακτηριστικά μεγέθη, ιδιοτιμές και ιδιοδιανύσματα, διαγωνιοποίηση ενός πίνακα, μετασχηματισμοί ομοιότητας. Διανυσματικοί χώροι και υπόχωροι, πρόσθεση, πολλαπλασιασμός, εσωτερικό γινόμενο διανυσμάτων, γραμμικός συνδυασμός, μέτρο και απόσταση διανυσμάτων. Γραμμικές ανισότητες, γραμμικός προγραμματισμός
- Γραμμική-πολλαπλή γραμμική παλινδρόμηση, λογιστική παλινδρόμηση, αντίστροφη κανονική παλινδρόμηση (Probit regression), Παλινδρόμηση Κορυφογραμμής, Στατική/Δυναμική Αυτοπαλινδρόμηση και Φασματική Ανάλυση
- Φασματική παλινδρόμηση, πολυμεταβλητή ανάλυση διακύμανσης (ANOVA-MANOVA). Διερευνητική ανάλυση παραγόντων. Εξόρυξη από βάση δεδομένων και προηγμένες τεχνικές πρόβλεψης. Πειραματικός σχεδιασμός. (Experimental design). Μοντελοποίηση πρόβλεψης βασισμένη σε παλινδρόμηση
- Γραμμικής παλινδρόμησης, Λογιστική παλινδρόμηση, Ridge regression, Ροή εργασίας με επίβλεψη και Αλγόριθμοι, Υποστηρικτικές μηχανές υποστήριξης, Εποπτευόμενη μάθηση, Μη εποπτευόμενη μάθηση
- Προτασιακή και κατηγορηματική λογική: Συντακτικό, κανόνας καλύψης (entailment), ερμηνείες και μοντέλα, ποσοδειξία
- Συμπερασμός και συλλογισμός: Κανόνας συμπερασμού της ανάλυσης (resolution), παραγωγή, αντικατάσταση, ενοποίηση, προς-τα-μπρος και προς-τα-πίσω αλυσίδα εκτέλεσης, υποθέσεις ανοιχτού και κλειστού κόσμου, μη-μονοτονικός συμπερασμός, predicate completion
- Συμπερασμός και συλλογισμός σε διάφορες λογικές (Kripke, Fuzzy, Lukasiewicz) και σε αριθμητικά πεδία
Ενδεικτικη βιβλιογραφια
- Stuart Russel and Peter Norvig. Artificial Intelligence: A Μodern Approach, Prentice Hall, 2nd edition (2003). http://aima.cs.berkeley.edu/. Το βιβλίο έχει εκδοθεί στα Ελληνικά από τις εκδόσεις Κλειδάριθμος με τον τίτλο «Τεχνητή Νοημοσύνη: Μια σύγχρονη προσέγγιση». http://aima.uom.gr/.
- Melvin Fitting. First-Order Logic and Automated Theorem Proving. Springer, 1996.
- Ben-Ari, Mordechai. Mathematical logic for computer science. Springer Science & Business Media, 2012.
- Leslie Valiant, “A theory of the learnable”. Communications of the ACM 27. 1984.
- Cullen Schaffer, “A conservation law for generalization performance”. In Proceedings of the 11th International Conference on Machine Learning (ICML ’94). 199
