Στοιχεία Μαθήματος

Πρόγραμμα Σπουδών* --------- ΠΜΣ Πληροφορική και Τηλεματική Προηγμένες Τεχνολογίες Πληροφορικής και Εφαρμογές ΠΜΣ Εφαρμοσμένη Πληροφορική Προπτυχιακό Πρόγραμμα Σπουδών ΠΜΣ Επιστήμη των Υπολογιστών και Πληροφορική

Κωδικός Μαθήματος (Ελληνικά)*

Εξάμηνο*

Τίτλος (Ελληνικά)*

Ώρες Διδασκαλίας Θεωρίας (Εβδομαδιαία)

Μονάδες ECTS*

Τύπος Μαθήματος (Ελληνικά)

Προαπαιτούμενα (Ελληνικά) Υπολογιστικά Μαθηματικά Διακριτά Μαθηματικά Πιθανότητες Αριθμητική Ανάλυση Προγραμματισμός Ι & ΙΙ Αντικειμενοστραφής Προγραμματισμός Ι Τεχνητή Νοημοσύνη

URL Μαθήματος (π.χ. στο e-class)

Μαθησιακά Αποτελέσματα (Ελληνικά) Το μάθημα αυτό στοχεύει στην εξοικείωση των φοιτητών με σύγχρονες τεχνικές μηχανικής μάθησης και τις εφαρμογές τους, εστιάζοντας ιδιαίτερα σε μεθόδους βαθιάς μάθησης με Τεχνητά Νευρωνικά Δίκτυα. Οι φοιτητές μαθαίνουν να χειρίζονται δεδομένα και να εφαρμόζουν τεχνικές μηχανικής μάθησης σε δεδομένα πίνακα, σήματα, εικόνες και κείμενα, χρησιμοποιώντας γλώσσες και εργαλεία όπως Python, scikit-learn και PyTorch. Επιπλέον, το μάθημα καλύπτει θεωρητικά και πρακτικά θέματα όπως η προετοιμασία δεδομένων, η εκπαίδευση και η αξιολόγηση μοντέλων, και προχωρημένα θέματα όπως τα Συνελικτικά και Επαναλαμβανόμενα Νευρωνικά Δίκτυα, οι μηχανισμοί προσοχής και τα μοντέλα μετασχηματιστών, συμπεριλαμβανομένων και των δημοφιλών αρχιτεκτονικών BERT και GPT.

Γενικές Δεξιότητες (Ελληνικά) - Προσαρμογή σε νέες καταστάσεις - Λήψη αποφάσεων - Αυτόνομη εργασία - Ομαδική εργασία - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Περιεχόμενο Μαθήματος (Ελληνικά) - Εισαγωγή στη Μηχανική Μάθηση. Ορισμοί. Πρόσφατες εξελίξεις και επιτυχίες της Μηχανικής Μάθησης. - Επανάληψη: Τύποι προβλημάτων μηχανικής μάθησης. Γενίκευση μοντέλων μηχανικής μάθησης, απλή και πολλαπλή γραμμική παλινδρόμηση. Μέθοδος επίλυσης με κανονικές εξισώσεις, λογιστική παλινδρόμηση και το μοντέλο Perceptron. Επέκταση σε μη-γραμμικά μοντέλα. - Η μέθοδος εκτίμησης μέγιστης πιθανοφάνειας για την εκπαίδευση μοντέλων μηχανικής μάθησης - Προετοιμασία δεδομένων. Κανονικοποίηση, τυποποίηση, κωδικοποίηση one-hot, κυκλική κωδικοποίηση - Εφαρμογές και παραδείγματα σε γλώσσα Python στο περιβάλλον scikit-learn - Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) και Perceptrons πολλαπλών επιπέδων - Εκπαίδευση ΤΝΔ και ο αλγόριθμος backpropagation - Εισαγωγή στο περιβάλλον Pytorch - Συνελικτικά Νευρωνικά Δίκτυα για εκμάθηση αναπαραστάσεων σε σήματα και εικόνες - Τεχνικές ομαλοποίησης στη μηχανική μάθηση - Επαναλαμβανόμενα Νευρωνικά Δίκτυα - Εφαρμογές και παραδείγματα στην κατηγοριοποίηση εικόνων - Εκμάθηση διανυσματικών αναπαραστάσεων λέξεων - Εφαρμογές και παραδείγματα στην κατηγοριοποίηση κειμένων - Εισαγωγή στους μηχανισμούς προσοχής - Μοντέλα μετασχηματιστών - Παρουσίαση αρχιτεκτονικών ChatGPT (OpenAI) και PaLM (Google)

Χρήση ΤΠΕ (Ελληνικά) Χρήση eclass Χρήση περιβάλλοντος scikit-learn, pytorch, python scripts, python notebooks

Είναι επιλογής; Άγνωστο Ναι Όχι

Φόρτος μέσα στο Εξάμηνο (Ώρες)

Διδασκαλίας

Εργαστήριο

Αυτοδύναμη Μελέτη*

Εργασία (Project)*

Εργαστηριακή Αναφορά*