Μηχανική Βαθιά Μάθηση

Printer-friendly version
Τίτλος: 
Μηχανική Βαθιά Μάθηση
Κωδικός Μαθήματος: 
ΜΗ0115
Αναλυτική Περιγραφή Μαθήματος: 
Εξάμηνο: 
9o
Elective course (general)
Περιγραφή: 

 

Στο πλαίσιο του μαθήματος Βαθιά-Μηχανική μάθηση καλύπτονται οι παρακάτω θεματικές ενότητες:

  • Εισαγωγή στη Μηχανική Μάθηση: Είδη Μηχανικής Μάθησης, Μέθοδοι Εκπαίδευσης, Μέτρηση Ακρίβειας, Πρόβλεψη, Ταξινόμηση.
  • Μέθοδοι Παλινδρόμησης: Γραμμική Παλινδρόμηση, Λογαριθμική Παλινδρόμηση, Παλινδρόμηση Κορυφογραμμής, Στατική/Δυναμική Αυτοπαλινδρόμηση και Φασματική Ανάλυση.
  • Νευρωνικά Δίκτυα: Μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, Δίκτυα πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος (πολυστρωματικό perceptron, αλγόριθμος backpropagation).
  • Μηχανές Διανυσμάτων Υποστήριξης: Γραμμική Ταξινόμηση, Συναρτήσεις Πυρήνες, Ταξινόμηση Πολλαπλών Κλάσεων.
  • Ομαδοποίηση: Ορισμοί, Είδη Ομαδοποίησης, Συναρτήσεις Απόστασης, Συναρτήσεις Ομοιότητας, Διαμεριστική Ομαδοποίηση, Ιεραρχική Ομαδοποίηση
  • Επιλογή Χαρακτηριστικών και Συγχώνευση Δεδομένων: Filtering, Προσέγγιση Wrapper, Εμπεδωμένες Μέθοδοι Επιλογής Χαρακτηριστικών.
  • Απομείωση Διαστασιμότητας Δεδομένων: Ανάλυση Κυρίων Συνιστωσών, Ανάλυση Γραμμικού Διαχωριστή, Εμπέδωση Χαμηλής Διαστασιμότητας.
  • Βαθιές Αρχιτεκτονικές Νευρωνικών Δικτύων: Ορισμός και Ιδιότητες Βαθιών Αρχιτεκτονικών.
  • Επαναλαμβανόμενες Αρχιτεκτονικές Νευρωνικών Δικτύων: Εκπαίδευση Συστημάτων με Βαθιές Αρχιτεκτονικές, backpropagation through time
  • Συνελικτικά και Βαθιά Συνελικτικά Δίκτυα - Εξαγωγή Χαρακτηριστικών με Βαθιές Αρχιτεκτονικές
  • Γλώσσα Python – Εφαρμογές στη Μηχανική Μάθηση και Εισαγωγή στις Πλατφόρμες Tensorflow, Keras.

Ώρες επικοινωνίας:

Τρίτη 12:00-17:00

Πέμπτη 9:00-11:00

κατόπιν συνεννόησης μέσω email passalis@aegean.gr