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 λύσεων σε πραγματικά προβλήματα
- Γνωρίζει την μεθοδολογία εφαρμογής αλγορίθμων μηχανικής μάθησης σε δεδομένα, σύγκρισης και επιλογής του κατάλληλου αλγορίθμου
- Επιλέγει, αναλύει και συγκρίνει αλγορίθμους για την εφαρμογή σε πραγματικά προβλήματα
- Αναλύει, οπτικοποιεί και επεξεργάζεται σύνολα δεδομένων με σκοπό την εύρεση κατάλληλων χαρακτηριστικών για την αναπαράσταση προβλημάτων
- Επικοινωνεί ιδέες που αφορούν την μηχανική μάθηση με καθαρό, σαφή και τυπικό τρόπο
Επιπλέον το μάθημα αποσκοπεί στις ακόλουθες γενικές ικανότητες των φοιτητών:
- Ικανότητα οργάνωσης και σχεδιασμού εργασίας και διαχείρισης του χρόνου
- Ικανότητα τεκμηριωμένης επικοινωνίας (προφορικής και γραπτής)
- Ικανότητα επίλυσης προβλημάτων
- Ικανότητα ανάπτυξης κριτικής σκέψης και ικανότητα για κριτικές προσεγγίσεις
- Ικανότητα για ομαδική εργασία
- Ικανότητα διεπιστημονικών προσεγγίσεων
- Ικανότητα εφαρμογής των θεωρητικών γνώσεων στην πράξη
- Ικανότητα για έρευνα
- Ικανότητα προσαρμογής των μεθόδων και τεχνικών σε νέες καταστάσεις και συνθήκες
- Ικανότητα για δημιουργία νέων ιδεών – Δημιουργικότητα
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
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
