Μηχανική μάθηση και εφαρμογές στον Πολιτισμό

ΕΤ813 Μηχανική μάθηση και εφαρμογές στον Πολιτισμό

Διδάσκων: Δημήτρης Κοσμόπουλος

Το μάθημα αποτελεί εισαγωγή στις βασικές έννοιες και μεθόδους της μηχανικής μάθησης με έμφαση εφαρμογές στον πολιτισμό. Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια, θα διαθέτει προχωρημένες γνώσεις γύρω από τους τύπους τωνπροβλημάτων της μηχανικής μάθησης καθώς και των μεθόδων που εφαρμόζονται σε κάθε περίπτωση Θα διαθέτει δεξιότητες ανάπτυξης προγραμμάτων σε κατάλληλες γλώσσες και πλατφόρμες υψηλού επιπέδου τα οποία θα υλοποιούν τις παραπάνω μεθόδους (Matlab – python). Θα έχει την ικανότητα ανάλυσης προβλημάτων και εφαρμογών που απαιτούν την χρήση μεθόδων μηχανικής μάθησης. Θα έχει την ικανότητα εφαρμογής καταλλήλων μεθόδων μηχανικής μάθησης ανάλογα με το πρόβλημα που αντιμετωπίζει.

Η δομή του μαθήματος θα έχει ως εξής:

Μάθηση με επίβλεψη:

• Μαθηματικό υπόβαθρο, κατάβαση δυναμικού
• Βασικά Νευρωνικά Μοντέλα: αλγόριθμος Perceptron και ADALINE (LMS)
• Ο κανόνας Back-Propagation.
• Μοντέλα Συναρτήσεων Ακτινικής Βάσης (RBF)
• Gaussian discriminant analysis. Ημέθοδος Bayes.
• Μηχανές διανυσμάτων υποστήριξης (Support vector machines)
• Επιλογή μοντέλου
• Επιλογή χαρακτηριστικών
• Επιτροπές εμπειρογνωμόνων, bagging, boosting.

Μάθηση χωρίς επίβλεψη:

• Αυτο-οργανούμενα μοντέλα: Self-Organizing Maps (SOM)
• Ανάλυσηκυρίωνσυνιστωσών (Principal Component Analysis – PCA)
• Clustering. ο αλγόριθμος K-μέσων
• Ο αλγόριθμος EM, μικτές Γκαουσιανές

Προτεινόμενα συγγράμματα

Περίγραμμα μαθήματος