Μηχανική Μάθηση

Περιεχόμενο μαθήματος

Επαγωγική μάθηση: Μάθηση με επίβλεψη, χωρίς επίβλεψη και ενισχυτική μάθηση. Μάθηση εννοιών. Δέντρα απόφασης. Τεχνητά νευρωνικά δίκτυα. Μάθηση κατά Bayes. Μάθηση με απομνημόνευση (k-nn, locally weighted regression, radial basis functions). Μηχανές διανυσμάτων στήριξης (γραμμικά και μη-γραμμικά διαχωρίσιμα προβλήματα, μέθοδοι πυρήνων). Μέθοδοι δημιουργίας συνόλων ταξινομητών (bagging, boosting). Γενετικοί αλγόριθμοι και γενετικός προγραμματισμός. Μέθοδοι μάθησης με ημι-επίβλεψη. Ενισχυτική μάθηση (Q-learning, temporal difference learning). Πειραματική αξιολόγηση των μεθόδων ταξινόμησης (καμπύλες ROC, καμπύλες κόστους). Παραδείγματα εφαρμογών.

 

Επιδιωκόμενα μαθησιακά αποτελέσματα

Κατανόηση των βασικών τύπων μάθησης: με επίβλεψη, χωρίς επίβλεψη, και ενισχυτική μάθηση. Εκμάθηση αλγορίθμων ταξινόμησης και μεθόδων μέτρησης της επίδοσής τους. Εξοικείωση με εργαλεία χρήσης τεχνικών μηχανικής μάθησης. Κατανόηση διαδικασίας εφαρμογής τεχνικών μηχανικής μάθησης σε εφαρμογές ανάλογα με τις ιδιότητές τους.

 

Προαπαιτούμενα

Δεν απαιτούνται.

 

Εγχειρίδια του μαθήματος

  1. TomMitchell, MachineLearning, McGraw Hill, 1997.
    http://www.cs.cmu.edu/afs/cs.cmu.edu/user/mitchell/ftp/mlbook.html
  2. Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining, Addison Wesley, 2005, http://www-users.cs.umn.edu/~kumar/dmbook/index.php

 

Συμπληρωματική βιβλιογραφία

  1. Trevor Hastie, Robert Tibshirani, and Jerome Friedman. The Elements of Statistical Learning : Data Mining, Inference and Prediction, Springer, 2009 (2nd Ed.) http://statweb.stanford.edu/~tibs/ElemStatLearn/
  2. Nils Nilsson, Introduction to Machine Learning, available online: http://robotics.stanford.edu/people/nilsson/mlbook.html
  3. Ian H. Witten, Eibe Frank, and Mark A. Hall, Data Mining: Practical Machine Learning Tools and Techniques: Practical Machine Learning Tools and Techniques, Elsevier, 2011 http://www.cs.waikato.ac.nz/ml/weka/book.html
  4. Ethem Alpaydin, Introduction to Machine Learning, MIT Press, 2004 http://mitpress.mit.edu/books/introduction-machine-learning

 

Διδακτικές και μαθησιακές μέθοδοι

Ανάπτυξη και επεξήγηση θεωρητικών ενοτήτων, παρουσίαση ειδικών μελετών περίπτωσης και επίδειξη αλγορίθμων και εφαρμογών, ανάλυση και αξιολόγηση αντιπροσωπευτικών τεχνολογιών, εκπόνηση πειραματικών ασκήσεων και ανάπτυξη εφαρμογών με χρήση μεθόδων μηχανικής μάθησης.

 

Μέθοδοι αξιολόγησης / βαθμολόγησης

Εκπόνηση εργαστηριακών ή/και πρακτικών ασκήσεων, εκπόνηση και παρουσίαση ερευνητικής εργασίας, προφορική εξέταση (για την επιτυχία στο μάθημα απαιτείται επιτυχία σε όλες τις ως άνω εξεταστικές διαδικασίες).

 

Γλώσσα διδασκαλίας

Ελληνική ή/και Αγγλική

 

Τρόπος παράδοσης μαθήματος

Το μάθημα υλοποιείται με πρότυπες μορφές εκπαίδευσης που συνδυάζουν: (α) μαθήματα και σεμινάρια, η παρακολούθηση των οποίων είναι υποχρεωτική, απαιτώντας προσδιορισμένη από τον κανονισμό σπουδών ελάχιστη φυσική παρουσία και (β) πρότυπες (ηλεκτρονικές) διαδικασίες εκπαίδευσης/μάθησης από απόσταση