Μηχανική Βαθιά Μάθηση

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