8ο εξάμηνο


Μάθημα: Μηχανική Μάθηση



Κωδικός Μαθήματος: ΕΥΗ6
Επίπεδο Μαθήματος: Προπτυχιακό
Είδος Μαθήματος: Επιλογής
Εξάμηνο: 8
Κατεύθυνση: Κατεύθυνση Τηλεπικοινωνιών και Δικτύων
Ομάδα: Κατ' επιλογή υποχρεωτικό
Διδακτικές Μονάδες: 5
Ώρες διδασκαλίας: 4
Ιστοσελίδα: eclass.uowm.gr
Γλώσσα διδασκαλίας:Ελληνική
Περιεχόμενο:

Στόχος του μαθήματος είναι o φοιτητής να αποκτήσει σφαιρική, και όσο το δυνατόν πληρέστερη, άποψη για το πεδίο της Αναγνώρισης Προτύπων- Μηχανικής Μάθησης, το οποίο θεωρείται αυτή τη στιγμή ένα από τα πλέον σημαντικά, αν όχι το πιο σημαντικό, για την επιστήμη του Ηλεκτρολόγου Μηχανικού και της Πληροφορικής. Εκτός από τα βασικότερα-δημοφιλέστερα μοντέλα και μεθόδους Μηχανικής Μάθησης (με επίβλεψη και χωρίς επίβλεψη), δίνονται και τα βασικά στοιχεία της θεωρίας ώστε ο φοιτητής να έχει συναίσθηση του πως λειτουργούν τα μοντέλα αυτά, ποιες είναι οι πραγματικές δυνατότητές τους και ποιοι οι περιορισμοί. Επίσης γίνεται μια εκτεταμένη αναφορά στις εφαρμογές της Αναγνώρισης Προτύπων-Μηχανικής Μάθησης, π.χ. προβλήματα/εφαρμογές Μεγάλων Δεδομένων (Big Data), υπολογιστική όραση, ανάλυση εικόνας, αναγνώριση προσώπων, αναγνώριση χαρακτήρων, ανάλυση φωνής, επεξεργασία φυσικής γλώσσας, ανάλυσης συναισθήματοςεξαγωγή απόψεων, ρομποτική, βιοπληροφορική κ.α.

Σχεδιάγραμμα Μαθήματος

Ε01 Δεδομένα-Πρότυπα, Εκτίμηση, Προβλήματα Αναγνώρισης Προτύπων

Ε02 Βασικές έννοιες της θεωρίας Μηχανικής Μάθησης Ενότητα Ι: Μάθηση με επίβλεψη

Ε03 Ανάλυση Παλινδρόμησης-Γραμμική Παλινδρόμηση-Λογιστική Παλινδρόμηση

Ε04 Νευρωνικά Δίκτυα-Αλγόριθμος Perceptron και ADALINE-Back Propagation

Ε05 Μηχανές Διανυσμάτων Υποστήριξης

Ε06 Ταξινόμηση κατά Bayes-Bayesian ταξινομητές

Ε07 Επιλογή μοντέλου-χαρακτηριστικών Ενότητα ΙΙ: Μάθηση χωρίς επίβλεψη

Ε08 Αυτοοργανούμενα μοντέλα-Εκτίμηση κατανομών πιθανότητας και συσταδοποίηση

Ε09 Ομαδοποίηση δεδομένων-Αλγόριθμος Κ-Μέσων και εφαρμογές

Ε10 Μείωση διάστασης Προτύπων-Ανάλυση Κύριων Συνιστωσών (PCA)-Ανάλυση Ανεξάρτητων Συνιστωσών (ICA)

Ε11 Τεχνικές Εξαγωγής χαρακτηριστικών. Μάθηση με ενίσχυση Ενότητα ΙΙΙ: Εφαρμογές

Ε12 Μοντέλα πρόβλεψης και πρόγνωσης

Ε13 Εξαγωγή χρήσιμης γνώσης μέσω της εξόρυξης δεδομένωνΣυστήματα Συστάσεων. Χρήση λογισμικού MATLAB

Συμπληρωματικά, το μάθημα θα συνοδεύεται από πρακτικές ασκήσεις εργαστηριακού χαρακτήρα έτσι ώστε ο φοιτητής να κατανοήσει καλύτερα τις έννοιες που αναπτύσσονται στο θεωρητικό μέρος. Οι ασκήσεις αυτές θα αφορούν τη χρήση κατάλληλων εργαλείων λογισμικού (Matlab και Python), με έμφαση στα εργαλεία ανοιχτού λογισμικού που υλοποιούν μοντέλα Αναγνώρισης Προτύπων-Μηχανικής Μάθησης σε διάφορα σενάρια-περιπτώσεις χρήσης (use cases)

Αναμενόμενα μαθησιακά αποτελέσματα:

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής θα είναι σε θέση να

• Αναγνωρίζει και να κατανοεί τις βασικές αρχές της θεωρίας της Μηχανικής Μάθησης, τις δυνατότητες και τους περιορισμούς αυτής.

• Αναγνωρίζει και να κατανοεί τα βασικότερα/δημοφιλέστερα μοντέλα –μεθόδους της Μηχανικής Μάθησης, τις δυνατότητες και τους περιορισμούς τους, καθώς και σε ποιες περιπτώσεις είναι σωστό να χρησιμοποιούμε το καθένα από αυτά.

• Αναγνωρίζει και να κατανοεί τη σημασία της Αναγνώρισης Προτύπων σε δεδομένα, καθώς και χρησιμοποιεί τα κατάλληλα εργαλεία για την αντιμετώπιση σχετικών προβλημάτων.

• Να μπορεί να χρησιμοποιήσει με ευχέρεια κατάλληλα εργαλεία λογισμικού, με έμφαση στα εργαλεία ανοιχτού λογισμικού, για να υλοποιήσει και να δει στην πράξη τα αποτελέσματα της εφαρμογής των μοντέλων Αναγνώρισης Προτύπων-Μηχανικής Μάθησης σε διάφορα σενάριαπεριπτώσεις χρήσης (use cases)

• Αναγνωρίζει και να εξοικειωθεί με τις εφαρμογές της Αναγνώρισης Προτύπων-Μηχανικής Μάθησης, με έμφαση τις εφαρμογές του Ηλεκτρολόγου Μηχανικού & Μηχ. Υπολογιστών.

Προαπαιτούμενα:

-

Μέθοδοι Διδασκαλίας:

• Διδασκαλία στην τάξη και φροντιστηριακές ασκήσεις

• Υποστήριξη Μαθησιακής διαδικασίας μέσω e-class

Αξιολόγηση:

• Ηλεκτρονικά τεστ μέσω της σχετικής εφαρμογής της ηλεκτρονικής πλατφόρμας του e-class για την καλύτερη κατανόηση και την εξάσκηση των φοιτητών

• Γραπτές εξετάσεις στο τέλος του εξαμήνου με περιεχόμενο τη θεωρία και την επίλυση πρακτικών προβλημάτων-ασκήσεων του μαθήματος (70%)

• Πρακτικές ασκήσεις για την καλύτερη κατανόηση των εννοιών που αναπτύσσονται στο θεωρητικό μέρος (30%).

• Τελικό project.

Βιβλιογραφία:

[1] ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, C.M. Bishop, Έκδοση: 1/2019.

[5] ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, ΚΩΝΣΤΑΝΤΙΝΟΣ ΔΙΑΜΑΝΤΑΡΑΣ, ΔΗΜΗΤΡΗΣ ΜΠΟΤΣΗΣ, Έκδοση: 1η/2019.

[6] Νευρωνικά Δίκτυα και Μηχανική Μάθηση, Haykin Simon, Έκδοση: 3η έκδ./2010.

[7] Αναγνώριση Προτύπων, Theodoridis S. , Έκδοση: 1η έκδ./2011.

Διδάσκων: Φραγκούλης Γεώργιος