Παρουσίαση/Προβολή

(K104) -  Παναγιώτης Ζέρβας (Συντονιστής), Ιωάννης Κούγιας, Ιωάννης Ζαχαράκης

Περιγραφή Μαθήματος

Περιγραφή Μαθήματος - Περιεχόμενο Μαθήματος: 

Η μηχανική μάθηση αποτελεί πλέον ένα θεμελιώδες τμήμα πολλών εμπορικών και ερευνητικών εφαρμογών. Κάνοντας χρήση της γλώσσας Python, και βιβλιοθηκών όπως το Scikit-learn και το TensorFlow, είναι εφικτή η γρήγορη ανάπτυξη περίπλοκων εφαρμογών, σε πεδία όπως αυτά της ανάπτυξης ηχητικών διεπαφών επικοινωνίας ανθρώπου μηχανής (π.χ. αναγνώριση ομιλίας, σύνθεση ομιλίας), της αναγνώρισης ηχητικών γεγονότων, της ρομποτικής όρασης και ακρόασης κ.α.

Έχοντας υπόψη τα παραπάνω, το παρόν μάθημα στοχεύει στην εισαγωγή των φοιτητών στο γνωστικό αντικείμενο της μηχανικής μάθησης. Μέσα σε αυτό το πλαίσιο θα μελετηθούν οι αρχές που διέπουν τα διάφορα στάδια υλοποίησης ενός συστήματος εξόρυξης γνώσης από δεδομένα, με χρήση βασικών μεθόδων αλλά και μεθόδων αιχμής. Οι διαλέξεις του μαθήματος θα καλύπτουν την πλήρη διαδικασία ανάπτυξης συναρτήσεων απόφασης, συμπεριλαμβανομένου και αυτών για τη συλλογή δεδομένων, εξαγωγή χαρακτηριστικών και αξιολόγησης αποτελεσμάτων.

Πέραν της κάλυψης του σχετικού θεωρητικού υποβάθρου, θα γίνει χρήση βιβλιοθηκών της γλώσσας Python, που χρησιμοποιούνται σε ερευνητικές και εμπορικές εφαρμογές, για την ανάπτυξη συστημάτων αυτόματης αναγνώρισης προτύπων, σε πεδία όπως η επεξεργασία φυσικής γλώσσας, επεξεργασία ακουστικού σήματος κ.α. 

 

Μαθησιακά Αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής θα είναι σε θέση να:

• γνωρίζει τις βασικές έννοιες και εφαρμογές της μηχανικής μάθησης,
• γνωρίζει τα πλεονεκτήματα και μειονεκτήματα ευρέος χρησιμοποιούμενων αλγορίθμων μηχανικής μάθησης,
• σχεδιάζει βάσεις δεδομένων και να εξάγει σύνολα διανυσμάτων εκπαίδευσης/αξιολόγησης για την αξιόπιστη εξόρυξη πληροφορίας,
• μπορεί να εφαρμόσει προχωρημένες μεθόδους και διαδικασίες αξιολόγησης και βέλτιστης επιλογής παραμέτρων εκπαίδευσης,
• έχει εξοικείωση με δημοφιλή προγραμματιστικά πακέτα μηχανικής μάθησης σε γλώσσα Python.
• χρησιμοποιεί τα εκπαιδευμένα μοντέλα σε υπολογιστές κάρτας (single board computers).

 

Αναλυτικό Περίγραμμα Ύλης

Παρακάτω δίνεται η ύλη που θα καλυφθεί από το μάθημα της εφαρμοσμένης μηχανικής μάθησης:

1. Εισαγωγή στην μηχανική μάθηση και την αναγνώριση προτύπων
2. Μάθηση με επίβλεψη/χωρίς επίβλεψη, ενισχυτική μάθηση. 
3. Ταξινόμηση, παλινδρόμηση, ομαδοποίηση 
4. Δένδρα απόφασης
5. Μάθηση με απομνημόνευση
6. Μηχανές διανυσμάτων στήριξης
7. Τεχνητά νευρωνικά δίκτυα και δίκτυα βαθιάς μάθησης
8. Αξιολόγηση μοντέλων μηχανικής μάθησης
9. Επεξεργασία πολυμεσικών δεδομένων για την δημιουργία συνόλων εκπαίδευσης-αξιολόγησης
10. Εργαλεία ανοιχτού κώδικα σε Python, για την δημιουργία πλήρων συστημάτων μηχανικής μάθησης (Scikit-Learn, Tensorflow)
11. Εφαρμογές μεθόδων μηχανικής μάθησης σε ερευνητικά πεδία όπως η επεξεργασίας φυσικής γλώσσας και η επεξεργασία ακουστικού σήματος (π.χ. ομιλία, μουσική κ.α.)

 

Οργάνωση Διδασκαλίας

Η διδασκαλία του μαθήματος στηρίζεται σε σειρά θεωρητικών διαλέξεων, σε εργαστηριακές ασκήσεις και στην εκπόνηση εργασίας υλοποίησης ενός προβλήματος με μεθόδους μηχανικής μάθησης.

Σε κάθε διάλεξη θα παρουσιάζεται μια διαφορετική ενότητα όπου θα δίνεται το θεωρητικό υπόβαθρο και θα μελετώνται σύγχρονες τεχνικές υλοποίησης με χρήση βιβλιοθηκών ανοιχτού κώδικα. Κάθε διάλεξη θα συνοδεύεται από σχετικό εργαστήριο όπου οι φοιτητές θα καλούνται να υλοποιήσουν συγκεκριμένα προβλήματα. 

Η θεωρητική διδασκαλία θα γίνεται σε μία διάλεξη των δύο ωρών εβδομαδιαίως. Τη διάλεξη θα ακολουθεί εργαστηριακός χρόνος διάρκειας δύο ακόμα ωρών.

 

Αξιολόγηση των φοιτητών

Η αξιολόγηση των φοιτητών θα πραγματοποιηθεί με βάση τις γραπτές εξετάσεις στο τέλος του εξαμήνου, τις εργαστηριακές ασκήσεις και τις εργασίες που θα ανατεθούν στους φοιτητές κατά την διάρκεια του εξαμήνου.

 

Προτεινόμενη Βιβλιογραφία

1. Bishop, C. M. (1995). Neural Networks for Pattern Recognition, Oxford University Press. ISBN 0-19-853864-2
2. Ian H. Witten; Eibe Frank; Mark A. Hall (2011). "Data Mining: Practical machine learning tools and techniques, 3rd Edition". Morgan Kaufmann, San Francisco. Retrieved 2011-01-19.
3. MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms, Cambridge University Press. ISBN 0-521-64298-1
4. Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7
5. Bishop, C., Pattern Recognition and Machine Learning, Springer-Verlag New York, Inc. Secaucus, NJ, USA, 2006
6. Guido S., Müller A., Introduction to Machine Learning with Python, O'Reilly Media, 2016

Ημερομηνία δημιουργίας

Πέμπτη 11 Μαρτίου 2021