 Εκτύπωση
 Κλείσιμο
|
Προβολή Στοιχείων Μαθήματος
| Τμήμα Μαθήματος: | Τμήμα Πληροφορικής |
|---|---|
| Κωδικός Μαθήματος: | ΕΠΛ 442 |
| Τίτλος Μαθήματος: | Μηχανική Μάθηση |
| Αριθμός Κατανεμόμενων Πιστωτικών Μονάδων (ECTS): | 7.5 |
| Επίπεδο Μαθήματος: | 1ος Κύκλος (Πτυχίο) |
| Έτος Σπουδών (κατά περίπτωση): | 3 |
| Εξάμηνο/Τρίμηνο όταν Προσφέρεται το Μάθημα: | Εαρινό Εξάμηνο |
| Όνομα Διδάσκοντος (-ων): | Χρ. Χριστοδούλου |
| Διαλέξεις/Εβδομάδα: | 2 (1.5 ώρες ανά διάλεξη) |
| Εργαστήρια/Εβδομάδα: | 1 (1.5 ώρες ανά διάλεξη) |
| Φροντιστήρια/Εβδομάδα: | 1 (1 ώρες ανά διάλεξη) |
| Σκοπός και Στόχοι του Μαθήματος: | Εξοικείωση με θεωρητικά και πρακτικά θέματα που σχετίζονται με τη Μηχανική Μάθηση. Εξοικείωση με τις μεθόδους μηχανικής μάθησης που έχουν αναπτυχθεί τα τελευταία χρόνια. Υλοποίηση και αξιολόγηση συστημάτων Μηχανικής Μάθησης. |
| Μαθησιακά Αποτελέσματα του Μαθήματος: |
Μετά το πέρας του μαθήματος οι φοιτητές αναμένονται να είναι σε θέση: • να εκτιμήσουν τι εμπλέκεται στη μάθηση από δεδομένα • να κατανοήσουν ένα ευρύ φάσμα αλγορίθμων μάθησης, συμπεριλαμβανομένων αλγορίθμων μάθησης με επίβλεψη, χωρίς επίβλεψη καθώς και αλγορίθμων ενισχυτικής μάθησης, και να μπορούν να τους υλοποιούν • να κατανοήσουν πώς να μπορούν να εφαρμόζουν ένα ευρύ φάσμα αλγορίθμων μάθησης σε δεδομένα • να προσδιορίσουν και να εφαρμόσουν την πλέον κατάλληλη τεχνική εκμάθησης μηχανών σε προβλήματα ταξινόμησης, παλινδρόμησης και βελτιστοποίησης • να σχεδιάσει και να υλοποιήσει διάφορους αλγορίθμους μηχανικής μάθησης σε ένα φάσμα πραγματικών εφαρμογών |
| Προαπαιτούμενα: | ΕΠΛ 231 |
| Συναπαιτούμενα: | Δεν Εφαρμόζεται |
| Περιεχόμενο Μαθήματος: |
Εισαγωγή στην αναγνώριση προτύπων. Πολυστρωματικά νευρωνικά δίκτυα και αλγόριθμος μάθησης ανάστροφης μετάδοσης σφάλματος. Βαθιά μάθηση και συνελικτικά νευρωνικά δίκτυα. Νευρωνικά Δίκτυα με ανάδραση. Χάρτες αυτοοργάνωσης. Δίκτυα με συναρτήσεις αξονικών βάσεων. Ενισχυτική Mά- θηση. Δίκτυα Hopfield και μηχανές Boltzmann. Ανασκόπηση των εξελίξεων σε τομείς της Πληροφορικής, όπως η τεχνητή νοημοσύνη, τα έμπειρα συστήματα, η θεωρία της γνώσης, η ρομποτική, τα νευρωνικά δίκτυα, κ.ά., που συνέβαλαν στην ανάπτυξη της θεωρίας των συστημάτων μηχανικής μάθησης. |
| Διδακτικές Μέθοδοι: | Διαλέξεις (3 ώρες εβδομαδιαίως), Φροντιστήριο και Εργαστήριο (1,5 ώρες εβδομαδιαίως). |
| Απαιτούμενη Βιβλιογραφία: |
1. C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995. 2. S. Haykin, Neural Networks and Learning Machines, 3rd Edition, Pearson Education, 2009. |
| Μέθοδοι Αξιολόγησης και Κριτήρια: | Τελική εξέταση, ενδιάμεση εξέταση και κατ’ οίκον εργασία. |
| Γλώσσα Διδασκαλίας: | Ελληνικά |
| Τρόπος Παράδοσης: | Πρόσωπο με Πρόσωπο |
| Πρακτική Άσκηση: | Δεν Εφαρμόζεται |