ΠΕΡΙΕΧΟΜΕΝΑ ΜΑΘΗΜΑΤΟΣ (Εξάμηνο 13 εβδομάδων)

Ενότητα 1: Εισαγωγικές Έννοιες Θεωρίας Εκμάθησης

  • Μηχανές εκμάθησης
  • Συστήματα αναγνώρισης προτύπων
  • Ο κύκλος σχεδίασης του συστήματος
  • Εκμάθηση και προσαρμοστικότητα

Ενότητα 2: Μπεϋζιανή (Bayesian) Θεωρία Αποφάσεων

  • Ταξινομητές, συναρτήσεις διάκρισης, επιφάνειες απόφασης
  • Ταξινόμηση ελάχιστης πιθανότητας λάθους
  • Ταξινόμηση σε μια από δύο κλάσεις: Η Γκαουσιανή περίπτωση
  • Πιθανότητα λάθους ταξινόμησης
  • Δίκτυα Μπεϋζιανής πίστης (Bayesian belief networks)

Ενότητα 3: Εκτίμηση Παραμέτρων και Εκμάθηση με Επιτήρηση

  • Εκτίμηση μεγίστης πιθανοφάνειας
  • Μπεϋζιανή εκτίμηση
  • Ανάλυση πρωτευουσών συνιστωσών

Ενότητα 4: Μη Παραμετρικές Τεχνικές

  • Εκτίμηση κατανομών και παράθυρα Parzen
  • Μέθοδος των k πλησιέστερων γειτόνων
  • Μεθοδολογίες ελάττωσης αριθμού των προτύπων

Ενότητα 5: Γραμμικές Συναρτήσεις Διάκρισης

  • Γραμμικά διαχωρίσιμες κλάσεις
  • Αλγόριθμος Perceptron
  • Μέθοδοι ελαχίστων τετραγώνων

Ενότητα 6: Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ)

  • Εισαγωγή και δομή
  • Αναδρομικά ΤΝΔ
  • Ο αλγόριθμος οπισθοδιάδοσης
  • Το πολυστρωματικό perceptron

Ενότητα 7: Στοχαστικές Μέθοδοι και Εκμάθηση Χωρίς Επίβλεψη

  • Πυκνότητα δείγματος και αναγνωρισιμότητα
  • Αναδρομικά ΤΝΔ
  • Εκμάθηση χωρίς επίβλεψη με Γκαουσιανές πυκνότητες μίγματος
  • Ομαδοποίηση δεδομένων