Μηχανική Μάθηση – Machine Learning (ΜΥΕ002)
Προπτυχιακό Μάθημα – Ακαδημαϊκό έτος
2024-25
Διδάσκων: Κωνσταντίνος Δ. Μπλέκας, Καθηγητής
email: kblekas[at]cse.uoi.gr
Ώρες διδασκαλίας: Τρίτη
09.00-12.00 (αίθουσα Ι2)
e-course: https://ecourse.uoi.gr/course/view.php?id=3270
Ύλη του μαθήματος
- Εισαγωγικές
έννοιες και προβλήματα της Μηχανικής Μάθησης
- Εφαρμογές
Μηχανικής Μάθησης
- Είδη
μάθησης
- Γενίκευση
και Υπερεκπαίδευση (overfitting)
- Δεδομένα
και βασικά εργαλεία ανάλυσης
Επιβλεπόμενη Μάθηση (Supervised Learning)
- Γραμμική
παλινδρόμηση (linear regression)
- Επεκτάσεις
του γραμμικού μοντέλου – Τεχνικές regularization
- Μέθοδοι
ταξινόμησης (classification)
- Ταξινόμηση
με τον κανόνα του κοντινότερου γείτονα (Nearest neighbor classifiers).
- Δέντρα
αποφάσεων (Decision
Trees)
- Γραμμικοί
ταξινομητές (linear classifiers), ο αλγόριθμος Perceptron.
- Νευρωνικά δίκτυα (Neural Networks)
- Μηχανές
διανυσμάτων υποστήριξης (Support Vector Machines - SVMs).
- Στατιστική
ταξινόμηση (Statistical Classifiers)
- Μπεϋζιανοί ταξινομητές.
(Bayesian classifiers)
- Λογιστική
πανλινδρόμηση (Logistic regression)
- Βαθιά
Μάθηση (Deep
Learning)
- Προχωρημένα
θέματα μάθησης (Learning issues)
- Συνελικτικά Νευρωνικά
Δίκτυα (Convolution Neural Networks)
- Επαναληπτικά
Δίκτυα – LSTMs
- Προεκπαιδευμένα Νευρωνικά
Μοντέλα (pretrained models)
- Μέθοδοι πολλαπλών ταξινομητών (Ensemble
Classifiers)
- Random Forests,
- Μέθοδοι Bagging, Boosting,
Stacking
Μη επιβλεπόμενη Μάθηση (Unsupervised Learning)
- Ομαδοποίηση
δεδομένων
(Data Clustering)
- Ο
αλγόριθμος των Κ-μέσων (K-means clustering)
- Επεκτάσεις: kernel k-means,
fuzzy c-means
- Ιεραρχική ομαδοποίηση (Hierarchical
Clustering)
- Ο
αλγόριθμος DBSCAN
- Φασματική
Ομαδοποίηση (Spectral clustering)
- Στατιστική
ομαδοποίηση με μικτά παραμετρικά μοντέλα κατανομών (Mixture models) και ο αλγόριθμος EM (Expectation – Maximization)
- Μέθοδοι εκτίμησης
της κατανομής από δειγματικό πληθυσμό (Density estimation)
- Μη-παραμετρικές
μέθοδοι: Ιστογράμματα, Parzen windows
- Παραμετρικές
μέθοδοι εκτίμησης:
- Εκτίμηση μεγίστης
πιθανοφάνειας. (Maximum Likelihood estimation)
- Εκτίμηση
εκ των υστέρων πιθανότητας (Maximum A – Posteriori estimation)
- Εκτίμηση
κατανομής με Νευρωνικά Δίκτυα
Μείωση Διάστασης Δεδομένων (Dimensionality Reduction)
- H μέθοδος PCA
ανάλυσης πρωτευουσών συνιστωσών,
- Η
μέθοδος ICA ανάλυσης ανεξάρτητων συνιστωσών,
- Η
μέθοδος LDA γραμμικής διακριτικής ανάλυσης.
- Μείωση διάστασης με Νευρωνικά
Δίκτυα – Autoencoders – Latent spaces
- Επιλογή
χαρακτηριστικών (Feature selection).
Ενισχυτική Μάθηση (Reinforcement Learning)
·
Μαρκοβιανές
Αλυσίδες Απόφασης
(Markov Decision Processes – MDPs)
·
Εξισώσεις
Bellman
·
Είδη ευφυών
πρακτόρων (Intelligent Agents)
·
TD (Temporal Difference) Learning
·
Βαθιά ενισχυτική
μάθηση (Deep
Reinforcement Learning)
Συγγράματα
Christopher M. Bishop. Αναγνώριση Προτύπων και Μηχανική Μάθηση, 2η
έκδοση. (μετάφραση), Εκδόσεις Γ. Φουντάς.