Μηχανική Μάθηση

Εβδομαδιαίες ώρες διδασκαλίας: 2 θεωρία + 1 ασκήσεις πράξεις +1 εργαστήριο

Tυπικό εξάμηνο διδασκαλίας: Ε΄

Διδασκαλία: Η διδασκαλία του μαθήματος έχει τη μορφή 15 διαλέξεων και ισάριθμων εργαστηριακών ασκήσεων, στο πλαίσιο των οποίων υπάρχει η δυνατότητα ανάληψης εργασιών.

Ενδεικτικά προαπαιτούμενα: ─ 

Διδακτικές μονάδες: 6

 

Σκοπός και στόχοι του μαθήματος:

ΗΜηχανική Μάθηση αποτελεί βασικό βήμα για την μετάβαση από τις έξυπνες μηχανές στις νοήμονες. Οι σπουδαστές διδάσκονται τις βασικές έννοιες, τα μαθηματικά μοντέλα και  τις μεθόδους του κλάδου. Γνωρίζουν τις προκλήσεις του χώρου και αποκτούν το βασικό υπόβαθρο για περαιτέρω επιστημονικό και ερευνητικό έργο. Στο εργαστηριακό μέρος υλοποιούν νευρωνικούς και μη ταξινομητές με προγραμματισμό η χρήση εξειδικευμένου λογισμικού.

 

Περίγραμμα μαθήματος:

  • Εισαγωγή, στόχοι και σημασία της Μηχανικής Μάθησης. Συλλήψεις και συμβάντα. Πρότυπα και χαρακτηριστικά,. τάξεις και συγκεντρώσεις. Διανυ-σματική περιγραφή Προτύπων. 
  • Ισότητα και Ομοιότητα Προτύπων. Αποστάσεις και Εσωτερικό Γινόμενο. Πίνακας Μεταβλητότητας. 
  • Προσδιορισμός Συγκεντρώσεων και Τάξεων. Εκπαίδευση με και χωρίς επόπτη. Ταξινόμηση και Ταξινομητές. Γραμμικές Διακριτικές Συναρτήσεις. 
  • Γραμμικοί ταξινομητές, νευρωνικά δίκτυα perceptron. 
  • Μη γραμμικά προβλήματα ταξινόμησης. Εκπαίδευση με οπισθοδιάδωση σφάλματος (back error propagation). 
  • Συνελιτικά Δίκτυα (CNN).
  • Στατικές Μέθοδοι Ταξινόμησης. Κανόνας Απόφασης του Βayes. Κανόνας του κοντινότερου γείτονα. 
  • Εκπαίδευση Χωρίς Επόπτη. Προσδιορισμός Συγκεντρώσεων. Μέθοδος της αλυσίδας. Αυτοοργανούμενοι πίνακες χαρακτηριστικών. Νευρωνικό δίκτυο Kohonen. 
  • Αξιολόγηση και επιλογή χαρακτηριστικών. Ανάλυση κύριων συνιστωσών. Εκπαίδευση νευρωνικών δικτύων με τον κανόνα του Ηebb.
  • Εφαρμογές.

 

Βιβλιογραφία:

  1. “RATTERN RECOGNITION”,Sergios Theodoridis, Konstantinos Koutroubas,,Academic Press, ISBN: 0-12-686140-4
  2. “NEURAL NETWORKS”, Simon Haykin, Macmillan College Publishing Company Inc., ISBN: 0-02-352761-7
  3. “Neural Network Architectures”, Judith Dayhott, VAN NOSTRAND REINHOLD, ISBN: 0-442-20744-1
  4. "Εισαγωγή στην Μηχανική Μάθηση", Ethem Alpaydin, Broken Hill, 2022, ISBN: 978-9925-588-50-3

 

Μηχανική Μάθηση Σημειώσεις