Παρουσίαση/Προβολή

(GEO193) -  ΗΛΙΑΣ ΚΑΛΗΣΠΕΡΑΚΗΣ

Περιγραφή Μαθήματος

Αντικείμενο του μαθήματος αποτελεί η εισαγωγή στην θεωρία της Εκμάθησης Μηχανής, δηλαδή της “διδασκαλίας” εννοιών και μαθηματικών μοντέλων σε έναν υπολογιστή χωρίς τον “άμεσο” προγραμματισμό του. Στόχος είναι η γνωριμία και η εξοικείωση των φοιτητών με τεχνικές και αλγόριθμους που μπορούν να “μαθαίνουν” από τα δεδομένα και στην συνέχεια να κάνουν προβλέψεις,  εκτιμήσεις και να λαμβάνουν αποφάσεις σχετικά με αυτά. Θα μελετηθούν διαφορετικές μέθοδοι βελτιστοποίησης, τεχνικές επιβλεπόμενης, μη επιβλεπόμενης και ενισχυτικής μάθησης (supervised, unsupervised, reinforcement learning) αλλά και ταξινόμησης, clustering και μείωσης διαστασιμότητας. Πρόκειται για ένα επιστημονικό πεδίο που τα τελευταία χρόνια έχει επιδείξει αξιοσημείωτες επιδόσεις στην επίλυση σύνθετων προβλημάτων σε ένα ευρύ φάσμα εφαρμογών, μεγάλο μέρος των οποίων άπτεται των αντικειμένων και των αναγκών του σύγχρονου τοπογράφου μηχανικού.

Η ύλη που προβλέπεται να καλυφθεί από το προτεινόμενο μάθημα περιλαμβάνει τα παρακάτω αντικείμενα:

• Εισαγωγή, ιστορική αναδρομή
• μέθοδοι βελτιστοποίησης (γραμμική και λογαριθμική παλινδρόμηση)
• στατική/δυναμική παλινδρόμηση
• παλινδρόμηση μίας και περισσότερων μεταβλητών)
• επιβλεπόμενη, μη επιβλεπόμενη και ενισχυτική μάθηση (supervised, unsupervised, reinforcement learning)
• ταξινόμηση
• κανονικοποίηση
• Τεχνητά νευρωνικά δίκτυα (μοντέλα και αρχιτεκτονικές, forward-backward, backpropagation)
• Support Vector Machines (γραμμική και μη γραμμική ταξινόμηση)
• clustering (k-means, DBSCAN, Gaussian)
• μείωση διαστασιμότητας (Principal Components Analysis)
• παραδείγματα εφαρμογών και ανάπτυξη αλγορίθμων εκμάθησης μηχανής

 

Ημερομηνία δημιουργίας

Τρίτη 12 Μαρτίου 2019