Περιεχόμενο

Σκοπός του μαθήματος είναι μετά το πέρας των διαλέξεων, ασκήσεων, εργασιών και εξετάσεων ο κάθε φοιτητής

• Να γνωρίζει τι είναι η Μηχανική Μάθηση, με ποιά προβλήματα καταπιάνεται, ποιά είναι τα κύρια υποπεδία της, ποιά η σχέση της με άλλα παρεμφερή πεδία όπως η στατιστική, η εξόρυξη δεδομένων και η ανακάλυψη προτύπων, ποιές οι βασικές αλγοριθμικές τεχνικές της και ποιές είναι οι βασικές μαθηματικές τεχνικές της

• Να γνωρίζει τις βασικές έννοιες της Μηχανικής Μάθησης, τους κύριους αλγόριθμους και τις κύριες τεχνικές κατασκευής αλγορίθμων και μεθόδων

• Να μπορεί να κατατάσσει μια καινούργια μέθοδο ανάλογα με τις ιδιότητές της σε κατηγορίες αλγορίθμων και να μπορεί να συγκρίνει τα βασικά πλεονεκτήματα και μειονεκτήματα των αλγορίθμων εκμάθησης

• Να είναι σε θέση να προγραμματίζει απλούς αλγόριθμους Μηχανικής Μάθησης

• Να κατανοεί τα βασικά θεωρητικά αποτελέσματα της Μηχανικής Μάθησης και τη πρακτική σημασία τους

• Να μπορεί να τελέσει απλές αναλύσεις δεδομένων χρησιμοποιώντας τεχνικές Μηχανικής Μάθησης, και όταν πρόκεται για καθοδηγούμενη μάθηση, να μπορεί να παράγει σχετικά ικανοποιητικά προβλεπτικά και διαγνωστικά μοντέλα και να να εκτιμά με θεωρητικά σωστό τρόπο την απόδοση των μοντέλων. Να είναι σε θέση να αντιλαμβάνεται τις παγίδες και προβλήματα που είναι δυνατόν να αντιμετωπίσει σε ένα συγκεκριμένο πρόβλημα ανάλυσης, ανάλογα με τα δεδομένα και τον αλγόριθμο που πρόκειται να εφαρμόσει. Να είναι σε θέση να επιλέξει έγκυρα ανάμεσα στους ποιό κατάλληλους αλγόριθμους διαθέσιμους για το πρόβλημα

• Να έρθει σε επαφή με την φιλοσοφία της μάθησης γενικότερα

Στο μάθημα οι φοιτητές θα διδαχθούν τα παρακάτω (επιτρέποντος χρόνου)

• Στατιστική Μηχανική Μάθηση

• Καθοδηγούμενη Μάθηση – Μάθηση μέσω Παραδειγμάτων

• Κατηγοριοποίηση και Regression – Αλγόριθμοι μάθησης

  • Linear Regression, Non-Linear Regression, Δέντρα αποφάσεων, Τεχνητά νευρωνικά δίκτυα, Support Vector Machines, Logistic Regression, Multiple Logistic Regression, Bayesian Classifiers, ν-Κοντινότεροι γείτονες, περιήγηση άλλων αλγορίθμων

• Εκτίμηση Απόδοσης και Ακρίβειας

  • Μέτρα απόδοσης (Ακρίβεια, ROC)

  • Εκτίμηση απόδοσης, Validation, cross-validation, Bootstrapping, Θεωρητική εκτίμηση της απόδοσης

  • Στοιχεία υπολογιστικής θεωρίας μάθησης, VC-dimension, PAC, No free lunch

• Η πρακτική της Μηχανικής Μάθησης

  • Απόκτηση δεδομένων, Καθαρισμός δεδομένων, Αναπαράσταση δεδομένων, Ελείπουσες τιμές, Πειραματισμός, βελτιστοποίηση παραμέτρων, επιλογή μοντέλων

• Δίκτυα Bayesian, Εκμάθηση Δικτύων Bayesian, Μέθοδοι βασισμένοι σε περιορισμούς, Μέθοδοι ψάξε και σκοράρισε, Markov-Blanket, Αιτιότητα

• Επιλογή μεταβλητών, Filters, Wrappers, Markov-Blanket

• Μη-καθοδηγούμενη Μάθηση

  • Ομαδοποίηση, Rule Learning

• Αλλα θέματα Μηχανικής Μάθησης (ανάλογα το χρόνο και τις προτιμήσεις)

  • Επανατροφοδοτούμενη Mάθηση

  • Σχεσιακή Mάθηση και Επαγωγικός Λογικός Προγραμματισμός

  • Μάθηση χρονικών δεδομένων

  • Ενεργή μάθηση

  • Markov-Chains και μάθηση σειρών