-

Στόχος του μαθήματος είναι o φοιτητής να αποκτήσει σφαιρική, και όσο το δυνατόν πληρέστερη, άποψη για το πεδίο της Αναγνώρισης Προτύπων- Μηχανικής Μάθησης. Εκτός από τα βασικότερα-δημοφιλέστερα μοντέλα και μεθόδους Μηχανικής Μάθησης (με επίβλεψη και χωρίς επίβλεψη), δίνονται και τα βασικά στοιχεία της θεωρίας ώστε ο φοιτητής να έχει συναίσθηση του πως λειτουργούν τα μοντέλα αυτά, ποιες είναι οι πραγματικές δυνατότητές τους και ποιοι οι περιορισμοί. Επίσης γίνεται μια εκτεταμένη αναφορά στις εφαρμογές της  Αναγνώρισης Προτύπων-Μηχανικής Μάθησης, π.χ. προβλήματα/εφαρμογές Μεγάλων Δεδομένων (Big Data), υπολογιστική όραση, ανάλυση εικόνας, αναγνώριση προσώπων, αναγνώριση χαρακτήρων, ανάλυση φωνής, επεξεργασία φυσικής γλώσσας, ανάλυσης συναισθήματος-εξαγωγή απόψεων, ρομποτική, βιοπληροφορική κ.α. 

Σχεδιάγραμμα Μαθήματος

Ε01 Δεδομένα-Πρότυπα, Εκτίμηση, Προβλήματα Αναγνώρισης Προτύπων

Ε02 Βασικές έννοιες της θεωρίας Μηχανικής Μάθησης

Ενότητα Ι: Μάθηση με επίβλεψη

Ε03 Ανάλυση Παλινδρόμησης-Γραμμική Παλινδρόμηση-Λογιστική Παλινδρόμηση

Ε04 Νευρωνικά Δίκτυα-Αλγόριθμος Perceptron και ADALINE-Back Propagation

Ε05 Μηχανές Διανυσμάτων Υποστήριξης

Ε06 Ταξινόμηση κατά Bayes-Bayesian ταξινομητές

Ε07 Επιλογή μοντέλου-χαρακτηριστικών

Ενότητα ΙΙ: Μάθηση χωρίς επίβλεψη

Ε08 Αυτοοργανούμενα μοντέλα-Εκτίμηση κατανομών πιθανότητας και συσταδοποίηση

Ε09 Ομαδοποίηση δεδομένων-Αλγόριθμος Κ-Μέσων και εφαρμογές

Ε10 Μείωση διάστασης Προτύπων-Ανάλυση Κύριων Συνιστωσών (PCA)-Ανάλυση Ανεξάρτητων Συνιστωσών (ICA)

Ε11 Τεχνικές Εξαγωγής χαρακτηριστικών. Μάθηση με ενίσχυση

Ενότητα ΙΙΙ:  Εφαρμογές

Ε12 Μοντέλα πρόβλεψης και πρόγνωσης

Ε13 Εξαγωγή χρήσιμης γνώσης μέσω της εξόρυξης δεδομένων- Συστήματα Συστάσεων. Χρήση λογισμικού MATLAB

Συμπληρωματικά, το μάθημα θα συνοδεύεται από πρακτικές ασκήσεις εργαστηριακού χαρακτήρα έτσι ώστε ο φοιτητής να κατανοήσει καλύτερα τις έννοιες που αναπτύσσονται στο θεωρητικό μέρος. Οι ασκήσεις αυτές θα αφορούν τη χρήση κατάλληλων εργαλείων λογισμικού (Matlab και Python), με έμφαση στα εργαλεία ανοιχτού λογισμικού που υλοποιούν μοντέλα Αναγνώρισης Προτύπων-Μηχανικής Μάθησης σε διάφορα σενάρια-περιπτώσεις χρήσης (use cases)

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

• Αναγνωρίζει και να κατανοεί τις βασικές αρχές της θεωρίας της Μηχανικής Μάθησης, τις δυνατότητες και τους περιορισμούς αυτής.
• Αναγνωρίζει και να κατανοεί τα βασικότερα/δημοφιλέστερα μοντέλα –μεθόδους της Μηχανικής Μάθησης, τις δυνατότητες και τους περιορισμούς τους, καθώς και σε ποιες περιπτώσεις είναι σωστό να χρησιμοποιούμε το καθένα από αυτά. 
• Αναγνωρίζει και να κατανοεί τη σημασία της Αναγνώρισης Προτύπων σε δεδομένα, καθώς και χρησιμοποιεί τα κατάλληλα εργαλεία για την αντιμετώπιση σχετικών προβλημάτων.
• Να μπορεί να χρησιμοποιήσει με ευχέρεια κατάλληλα εργαλεία λογισμικού, με έμφαση στα εργαλεία ανοιχτού λογισμικού, για να υλοποιήσει και να δει στην πράξη τα αποτελέσματα της εφαρμογής των μοντέλων Αναγνώρισης Προτύπων-Μηχανικής Μάθησης σε διάφορα σενάρια-περιπτώσεις χρήσης (use cases)

Αναγνωρίζει και να εξοικειωθεί με τις εφαρμογές της Αναγνώρισης Προτύπων-Μηχανικής Μάθησης, με έμφαση τις εφαρμογές του Ηλεκτρολόγου Μηχανικού & Μηχ. Υπολογιστών.

Κανένα

Διδασκαλία στην τάξη και εργαστήριο

-

-

Γραπτή τελική εξέταση (80%), παρουσίαση Ατομικής/Ομαδικής Εργασίας (20%)

[1]   Αναγνωριση Προτυπων Και Μηχανικη Μαθηση, C.M. Bishop, Έκδοση: 1/2019.

[2]   Μηχανικη Μαθηση, Κωνσταντινος Διαμανταρας, Δημητρης Μποτσης, Έκδοση: 1η/2019.

[3]   Νευρωνικά Δίκτυα και Μηχανική Μάθηση, Haykin Simon, Έκδοση: 3η έκδ./2010.

[4]   Αναγνώριση Προτύπων, Theodoridis S. , Έκδοση: 1η έκδ./2011.