Επιλογής
ΕΙΣΑΓΩΓΗ ΣΤΗ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ ΚΑΙ ΤΗΝ ΑΝΑΛΥΤΙΚΗ
- ΓΕΝΙΚΑ
-
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ ΕΒΔΟΜΑΔΙΑΙΕΣΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ Διαλέξεις 2 Φροντιστήριο 1 ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ
Ειδικού Υποβάθρου (Επιλογής) ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:
Όχι ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ: Ελληνική ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS Ναι
(Αγγλική γλώσσα - μετά από συνεννόηση με τον διδάσκοντα)
- ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ
-
Μαθησιακά Αποτελέσματα Μετά την επιτυχή ολοκλήρωση του μαθήματος αναμένεται οι φοιτητές να έχουν:
Γνώσεις: ώστε να κατανοούν το ευρύτερο επιστημονικό πεδίο της Μηχανικής Μάθησης και την εφαρμογή μεθόδων του στις σύγχρονες επιχειρήσεις.
Δεξιότητες: ώστε να μπορούν να υιοθετήσουν και να εφαρμόσουν μεθόδους της Μηχανικής Μάθησης στο σύγχρονο επιχειρηματικό γίγνεσθαι.
Ικανότητες: να περιγράφουν και να εφαρμόζουν σε προβλήματα των σύγχρονων επιχειρήσεων μεθόδους της Μηχανικής Μάθησης όπως είναι τα Νευρωνικά Δίκτυα, οι μηχανές διανυσμάτων υποστήριξης (SVM), τα πιθανοτικά μοντέλα Bayes, τα γραφικά μοντέλα, τα στοχαστικά μοντέλα, τα αναδρομικά μοντέλα, κ.α..
Γενικές Ικανότητες Το μάθημα αποσκοπεί στην :
Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
Λήψη αποφάσεων
Αυτόνομη εργασία
Ομαδική εργασία
Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
- ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ
-
Το μάθημα αποτελεί μία γενική εισαγωγή στο επιστημονικό πεδίο της Μηχανικής Μάθησης και στην ανάλυση δεδομένων για εξαγωγή γνώσης.
Περιεχόμενο μαθήματος:
Υπολογιστικές μέθοδοι ταξινόμησης
Νευρωνικά δίκτυα – Γραμμικά μοντέλα
Νευρωνικά δίκτυα πολλών στρωμάτων
Μηχανές διανυσμάτων υποστήριξης
Μοντέλα βαθιάς μάθησης
Συνδυαστικοί αλγόριθμοι μάθησης
Στοχαστικές μέθοδοι
Νευρωνικά δίκτυα Bayes
Γραφικά μοντέλα
Αναδρομικά νευρωνικά δίκτυα
Εκτίμηση κατανομών πιθανότητας και συσταδοποίηση
Ανάλυση κυρίων συνιστωσών (PCA)
Ανάλυση ανεξαρτήτων συνιστωσών
- ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ
-
ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ. Διαλέξεις πρόσωπο με πρόσωπο
Πρόσωπο με πρόσωπο - Επίλυση φροντιστηριακών ασκήσεων
Ανάρτηση υλικού για περαιτέρω μελέτη και επίλυση ασκήσεων στην πλατφόρμα e-class
ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ Υποστήριξη Μαθησιακής διαδικασίας και επικοινωνίας με τους φοιτητές μέσω της ηλεκτρονικής πλατφόρμας e-class ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Δραστηριότητα Φόρτος Εργασίας Εξαμήνου Διαλέξεις 26 Φροντιστήριο-Ασκήσεις στην τάξη 13 Αυτοτελής επίλυση ασκήσεων 39 Αυτοτελής μελέτη 72 Σύνολο μαθήματος 150 ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Η αξιολόγηση θα διενεργείται στην ελληνική γλώσσα με τρεις διακριτούς τρόπους:
Γραπτή τελική εξέταση που περιλαμβάνει:
Ερωτήσεις πολλαπλής επιλογής
Συγκριτική αξιολόγηση στοιχείων θεωρίας
Επίλυση προβλημάτων
- ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ
-
Ελληνική
ΚΩΝΣΤΑΝΤΙΝΟΣ ΔΙΑΜΑΝΤΑΡΑΣ, ΔΗΜΗΤΡΗΣ ΜΠΟΤΣΗΣ, ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, Έκδοση: 1η/2019, ISBN: 978-960-461-995-5, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ. (Κωδικός Βιβλίου στον Εύδοξο: 86198212)
Haykin Simon, Νευρωνικά Δίκτυα και Μηχανική Μάθηση, 3η έκδ./2010, ISBN: 978-960-7182-64-7, Εκδότης: Α. ΠΑΠΑΣΩΤΗΡΙΟΥ & ΣΙΑ Ι.Κ.Ε. (Κωδικός Βιβλίου στον Εύδοξο: 9743)
C.M. Bishop, ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, Έκδοση: 1/2019, ISBN: 9789603307907, Εκδότης: ΓΡΗΓΟΡΙΟΣ ΧΡΥΣΟΣΤΟΜΟΥ ΦΟΥΝΤΑΣ. (Κωδικός Βιβλίου στον Εύδοξο: 86053413)
Grus Joel, Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, 2η έκδοση/2020, ISBN: 978-960-491-144-8, Εκδότης: Α. ΠΑΠΑΣΩΤΗΡΙΟΥ & ΣΙΑ Ι.Κ.Ε. (Κωδικός Βιβλίου στον Εύδοξο: 94690736)
Tan Pang - Ning,Steinbach Michael,Kumar Vipin, Βερύκιος Βασίλειος (επιμέλεια), Εισαγωγή στην εξόρυξη δεδομένων, 2η Έκδοση/2018, ISBN: 978-960-418-813-0, ΕΚΔΟΣΕΙΣ Α. ΤΖΙΟΛΑ & ΥΙΟΙ Α.Ε., (Κωδικός Βιβλίου στον Εύδοξο: 77107675)
MOHAMMED J. ZAKI, WAGNER MEIRA JR., ΕΞΟΡΥΞΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ: ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΚΑΙ ΑΛΓΟΡΙΘΜΟΙ, Έκδοση: 1η/2017, ISBN: 978-960-461-770-8, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ. (Κωδικός Βιβλίου στον Εύδοξο: 68386089)
FOSTER PROVOST, TOM FAWCETT, Η ΕΠΙΣΤΗΜΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ ΓΙΑ ΕΠΙΧΕΙΡΗΣΕΙΣ, Έκδοση: 1η/2019, ISBN: 978-960-461-991-7, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ. (Κωδικός Βιβλίου στον Εύδοξο: 86055865)