Μηχανική Μάθηση και Εφαρμογές
Γενικά
Κωδικός: ΕΠ34
Γλώσσα: Ελληνική
Τρόπος διδασκαλίας: Δια ζώσης
Προαπαιτούμενα:
Υπολογιστικά Μαθηματικά
Διακριτά Μαθηματικά
Πιθανότητες
Αριθμητική Ανάλυση
Προγραμματισμός Ι & ΙΙ
Αντικειμενοστραφής Προγραμματισμός Ι
Τεχνητή Νοημοσύνη
Φόρτος εργασίας
- Διαλέξεις: 39.0 ώρες
- Εργαστήριο: 13.0 ώρες
- Μελέτη: 40.0 ώρες
- Εργασία: 33.0 ώρες
Περιεχόμενο Μαθήματος
- Εισαγωγή στη Μηχανική Μάθηση. Ορισμοί. Πρόσφατες εξελίξεις και επιτυχίες της Μηχανικής Μάθησης.
- Επανάληψη: Τύποι προβλημάτων μηχανικής μάθησης. Γενίκευση μοντέλων μηχανικής μάθησης, απλή και πολλαπλή γραμμική παλινδρόμηση. Μέθοδος επίλυσης με κανονικές εξισώσεις, λογιστική παλινδρόμηση και το μοντέλο Perceptron. Επέκταση σε μη-γραμμικά μοντέλα.
- Η μέθοδος εκτίμησης μέγιστης πιθανοφάνειας για την εκπαίδευση μοντέλων μηχανικής μάθησης
- Προετοιμασία δεδομένων. Κανονικοποίηση, τυποποίηση, κωδικοποίηση one-hot, κυκλική κωδικοποίηση
- Εφαρμογές και παραδείγματα σε γλώσσα Python στο περιβάλλον scikit-learn
- Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) και Perceptrons πολλαπλών επιπέδων
- Εκπαίδευση ΤΝΔ και ο αλγόριθμος backpropagation
- Εισαγωγή στο περιβάλλον Pytorch
- Συνελικτικά Νευρωνικά Δίκτυα για εκμάθηση αναπαραστάσεων σε σήματα και εικόνες
- Τεχνικές ομαλοποίησης στη μηχανική μάθηση
- Επαναλαμβανόμενα Νευρωνικά Δίκτυα
- Εφαρμογές και παραδείγματα στην κατηγοριοποίηση εικόνων
- Εκμάθηση διανυσματικών αναπαραστάσεων λέξεων
- Εφαρμογές και παραδείγματα στην κατηγοριοποίηση κειμένων
- Εισαγωγή στους μηχανισμούς προσοχής
- Μοντέλα μετασχηματιστών
- Παρουσίαση αρχιτεκτονικών ChatGPT (OpenAI) και PaLM (Google)
Μαθησιακά Αποτελέσματα
Το μάθημα αυτό στοχεύει στην εξοικείωση των φοιτητών με σύγχρονες τεχνικές μηχανικής μάθησης και τις εφαρμογές τους, εστιάζοντας ιδιαίτερα σε μεθόδους βαθιάς μάθησης με Τεχνητά Νευρωνικά Δίκτυα. Οι φοιτητές μαθαίνουν να χειρίζονται δεδομένα και να εφαρμόζουν τεχνικές μηχανικής μάθησης σε δεδομένα πίνακα, σήματα, εικόνες και κείμενα, χρησιμοποιώντας γλώσσες και εργαλεία όπως Python, scikit-learn και PyTorch. Επιπλέον, το μάθημα καλύπτει θεωρητικά και πρακτικά θέματα όπως η προετοιμασία δεδομένων, η εκπαίδευση και η αξιολόγηση μοντέλων, και προχωρημένα θέματα όπως τα Συνελικτικά και Επαναλαμβανόμενα Νευρωνικά Δίκτυα, οι μηχανισμοί προσοχής και τα μοντέλα μετασχηματιστών, συμπεριλαμβανομένων και των δημοφιλών αρχιτεκτονικών BERT και GPT.
Δεξιότητες
- Προσαρμογή σε νέες καταστάσεις
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Ομαδική εργασία
- Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης