Μηχανική μάθηση

Μαθησιακά Αποτελέσματα

Το μάθημα εισάγει τους φοιτητές στις μεθόδους μηχανικής μάθησης με τη χρήση της γλώσσας προγραμματισμού Python. Ξεκινάει αρχικά με τις μεθοδολογίες προετοιμασίας των δεδομένων για την χρήση αλγορίθμων μηχανικής μάθησης, και στην συνέχεια, στην ανάπτυξη των αλγορίθμων μηχανικής μάθησης για: (i) Προβλέψεις συνεχών τιμών, (ii) Κατηγοριοποίηση, (iii) Συσταδοποίηση, (iv)Επεξεργασίας φυσικής γλώσσας.

Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές/τριες μπορούν να:

1. Εισάγουν και να επεξεργαστούν δεδομένα.
2. Συντάξουν κώδικες που αφορούν σε state-of-the art αλγορίθμους μηχανικής μάθησης.
3. Κατανοήσουν την διαδικασία πρόβλεψης και αξιολόγησης αλγορίθμων μηχανικής μάθησης με τη χρήση στατιστικών μεθόδων αξιολόγησης σφαλμάτων όπως το μέσο απόλυτο σφάλμα και το μέσο απόλυτο ποσοστιαίο σφάλμα.

Περιεχόμενο Μαθήματος

Tο μάθημα είναι ένα εισαγωγικό προπτυχιακό μάθημα στη μηχανική μάθηση και υλοποιείται ως ακολούθως:

• Eπεξεργασία δεδομένων
• Παλινδρόμηση: Απλή γραμμική παλινδρόμηση, πολλαπλή γραμμική παλινδρόμηση, παλινδρόμηση διανυσμάτων υποστήριξης, παλινδρόμηση δέντρου αποφάσεων, Παλινδρόμηση τυχαιων δασών.
• Ταξινόμηση: Λογιστική Παλινδρόμηση, K-Πλησιέστερων γειτόνων
• Ομαδοποίηση: K-Means, Ιεραρχική Ομαδοποίηση
• Επεξεργασία φυσικής γλώσσας: Μοντέλο λέξεων και αλγόριθμοι για Επεξεργασίας φυσικής γλώσσας

Αξιολόγηση Φοιτητών

•  Γραπτή τελική εξέταση (70%) που περιλαμβάνει επίλυση προβλημάτων και θεωρητικές ερωτήσεις.
• Γραπτή ατομική εργασία ή Ομαδική εργασία (30%).

Συνιστώμενη Βιβλιογραφία

Προτεινόμενη Βιβλιογραφία:

• Bishop, C.M. (2019). Αναγνώριση Προτύπων και Μηχανική Μάθηση. Εκδόσεις: ΓΡΗΓΟΡΙΟΣ ΧΡΥΣΟΣΤΟΜΟΥ ΦΟΥΝΤΑΣ. Κωδικός Βιβλίου στον Εύδοξο: 86053413.
• Ethem, Α. (2022). Εισαγωγή στη Μηχανική Μάθηση. Εκδόσεις: BROKEN HILL PUBLISHERS LTD. Κωδικός Βιβλίου στον Εύδοξο: 102070225.
• Kubat, Μ(2021). Εισαγωγή στη Μηχανική Μάθηση. Εκδόσεις: ΓΡΗΓΟΡΙΟΣ
  ΧΡΥΣΟΣΤΟΜΟΥ ΦΟΥΝΤΑΣ. Κωδικός Βιβλίου στον Εύδοξο: 102074861.
• Διαμαντάρας, Κ. Μπότσης, Δ. (2019). Μηχανική Μάθηση. Εκδόσεις: ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ. Κωδικός Βιβλίου στον Εύδοξο: 86198212.
• Μπερσίμης, Σ., Μπάρτζης, Γ., Παπαδάκης, Γ., Σαχλάς, Α. (2024). Εφαρμοσμένη Στατιστική και Στατιστική Μηχανική Μάθηση με χρήση των IBM SPSS Statistics, R, Python, 2ηΈκδοση. Εκδόσεις: Α. ΤΖΙΟΛΑ & ΥΙΟΙ Α.Ε. Κωδικός Βιβλίου στον Εύδοξο:122087510.

Πρόσθετο Διδακτικό Υλικό:

• Deisenroth, M. P., Faisal, A. A., & Ong, C. S. (2020). Mathematics for machine learning.Cambridge University Press. https://mmlbook.github.io/book/mml-book.pdf.
• Müller, A. C., & Guido, S. (2016). Introduction to machine learning with Python: a guide for data scientists. O’Reilly Media, Inc.https://www.nrigroupindia.com/ebook/Introduction%20to%20Machine%20Learning%20with%20Python%20(%20PDFDrive.com%20)-min.pdf.
• Mohri, M., Rostamizadeh, Α., Talwalkar Α. (2018). Foundations of Machine Learning, -Mehryar Mohri, Afshin, Ameet. The MIT Press, Cambridge, Massachusetts. London,England. https://www.hlevkin.com/hlevkin/45MachineDeepLearning/ML/Foundations_of_Machine_Learning.pdf.
• Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge university press. https://www.cs.huji.ac.il/~shais/UnderstandingMachineLearning/understandingmachine-learning-theory-algorithms.pdf.

Συναφή επιστημονικά περιοδικά:

Applied Intelligence.
Foundations and Trends in Machine Learning.
International Journal of Data Science and Analytics.
International Journal of Machine Learning.
International Journal of Neural Systems.
Journal of Artificial Intelligence and Machine Learning.
Journal of Artificial Intelligence Research.
Journal of Machine Learning Research.
Machine Learning with Applications.
Machine Learning series.
Machine Vision and Applications.
Nature Machine Intelligence.
Neural Networks.