Μηχανική Μάθηση (ΣΜΗΝ: Μέθοδοι Επεξεργασίας με Τεχνικές Μηχανικής Μάθησης)

Διδάσκοντες Εμμανουήλ Ψαράκης, Προσωπική Ιστοσελίδα
E-mail: psarakis AT ceid DOT upatras DOT gr

Γεώργιος Μουστακίδης, Προσωπική Ιστοσελίδα
E-mail: moustaki AT upatras DOT gr

Ανακοινώσεις
Ωρολόγιο Πρόγραμμα

ΗΜΕΡΑ	ΩΡΑ	ΤΟΠΟΣ	ΠΑΡΑΤΗΡΗΣΕΙΣ
Δευτέρα	18:00-20:30	Ε1 (κτίριο ΗΥ)	Διδασκαλία

Ημερολόγιο Μαθήματος Αναλυτική καταγραφή γεγονότων ανά εβδομάδα διδασκαλίας.
Περιεχόμενα

Βασικές έννοιες Πιθανοτήτων.

Αλγόριθμοι Μάθησης για επίλυση εξισώσεων και βελτιστοποίηση συναρτήσεων. Ανάλυση αλγορίθμων. Τεχνικές σύγκρισης.

Νευρωνικά Δίκτυα, ειδικές δομές και εκπαίδευσή τους (training).

Εξέταση υποθέσεων, λήψη αποφάσεων, ταξινόμηση (classification). Bayesian τεχνικές. Εκτίμηση στατιστικών με χρήση νευρωνικών δικτύων και αλγορίθμων μάθησης για εξέταση υποθέσεων, λήψη αποφάσεων και ταξινόμηση.

Δημιουργία υλοποιήσεων τυχαίων μεταβλητών με συγκεκριμένη κατανομή. Κλασικές μέθοδοι. Μέθοδοι βασισμένες σε μετασχηματισμούς και νευρωνικά δίκτυα. Μέθοδος με GNs (generative networks). Ανταγωνιστική εκπαίδευση GANs (generative adversarial networks), Εφαρμογή στη δημιουργία συνθετικών εικόνων.

Εκτίμηση τυχαίων παραμέτρων, Bayesian τεχνικές, εφαρμογή στην αποκατάσταση εικόνων και άλλα σχετικά προβλήματα. Χρήση GN σε προβλήματα αποκαταστάσης.

Ομαδοποίηση (clustering): K-means, Γκαουσιανές μείξεις, Μέθοδος expectation/maximization. Σκέψεις για λύσεις με νευρωνικά δίκτυα.

Πυρήνες (kernels) και διανυσματικοί χώροι. Πυρήνες Mercer, Βασικό πρόβλημα προσέγγισης μη γραμμικών συναρτήσεων με πυρήνες. Σύγκριση με αντίστοιχες τεχνικές βασισμένες σε νευρωνικά δίκτυα.

Μείωση διάστασης δεδομένων. Singular value decomposition. Principal component analysis. Παραγοντοποίηση θετικών μητρών. Μείωση διάστασης με τη βοήθεια νευρωνικών δικτύων.