Μηχανική Μάθηση
Απόστολος Μπουρνέτας
Η μηχανική μάθηση αναφέρεται στο σχεδιασμό και τη μελέτη αλγορίθμων για την εξαγωγή συμπερασμάτων, οι οποίοι έχουν την ιδιότητα να βελτιώνονται σταδιακά μέσω των δεδομένων που εισάγονται σε αυτούς προσομοιώνοντας μια διαδικασία εκμάθησης. Τα τελευταία χρόνια οι μέθοδοι μηχανικής μάθησης έχουν αποκτήσει τεράστιες εφαρμογές σε πολλούς κλάδους της τεχνολογίας και της οικονομίας, σε συνδυασμό με την αλματώδη αύξηση του όγκου των δεδομένων που είναι διαθέσιμα για ανάλυση και λήψη αποφάσεων.
Το μεθοδολογικό υπόβαθρο των αλγορίθμων μηχανικής μάθησης αναφέρεται κυρίως σε πιθανότητες, στατιστική ανάλυση δεδομένων, βελτιστοποίηση και υπολογιστικά μαθηματικά.
Σκοπός του μαθήματος είναι αφενός η εισαγωγή στις βασικές αρχές και προσεγγίσεις της μηχανικής μάθησης, με έμφαση σε πιθανοτικές και στατιστικές μεθόδους και αφετέρου η εφαρμογή των θεωρητικών μοντέλων με την ανάπτυξη κατάλληλων υπολογιστικών αλγορίθμων. Το απαραίτητο υπόβαθρο για την παρακολούθηση του μαθήματος είναι γνώση πιθανοτήτων, στατιστικής και βασικής θεωρίας βελτιστοποίησης, όπως επίσης εξοικείωση με βασικές μεθόδους προγραμματισμού σε οποιαδήποτε γλώσσα.
ΛιγότεραΗ μηχανική μάθηση αναφέρεται στο σχεδιασμό και τη μελέτη αλγορίθμων για την εξαγωγή συμπερασμάτων, οι οποίοι έχουν την ιδιότητα να βελτιώνονται σταδιακά μέσω των δεδομένων που εισάγονται σε αυτούς προσομοιώνοντας μια διαδικασία εκμάθησης. Τα τελευταία χρόνια οι μέθοδοι μηχανικής μάθησης έχουν αποκτήσει τεράστιες εφαρμογές σε πολλούς κλάδους της τεχνολογίας και της οικονομίας, σε συνδυασμό με την αλματώδη αύξηση του όγκου των δεδομένων που είναι διαθέσιμα για ανάλυση και λήψη αποφάσεων.
Το μεθοδολογικό υπόβαθρο των αλγορίθμων μηχανικής μάθησης αναφέρεται κυρίως σε πιθανότητες, στατιστική ανάλυση δεδομένων, βελτιστοποίηση και υπολογιστικά μαθηματικά.
Σκοπός του μαθήματος είναι αφενός η εισαγωγή στις βασικές αρχές και προσεγγίσεις της μηχανικής μάθησης, με έμφαση σε πιθανοτικές και στατιστικές μεθόδους και αφετέρου η εφαρμογή των θεωρητικών μοντέλων με την ανάπτυξη κατάλληλων υπολογιστικών αλγορίθμων. Το απαραίτητο υπόβαθρο για την παρακολούθηση του μαθήματος είναι γνώση πιθανοτήτων, στ
Η μηχανική μάθηση αναφέρεται στο σχεδιασμό και τη μελέτη αλγορίθμων για την εξαγωγή συμπερασμάτων, οι οποίοι έχουν την ιδιότητα να βελτιώνονται σταδιακά μέσω των δεδομένων που εισάγονται σε αυτούς προσομοιώνοντας μια διαδικασία εκμάθησης. Τα τελευταία χρόνια οι μέθοδοι μηχανικής μάθησης έχουν αποκτήσει τεράστιες εφαρμογές σε πολλούς κλάδους της τεχνολογίας και της οικονομίας, σε συνδυασμό με την αλματώδη αύξηση του όγκου των δεδομένων που είναι διαθέσιμα για ανάλυση και λήψη αποφάσεων.
Το μεθοδολογικό υπόβαθρο των αλγορίθμων μηχανικής μάθησης αναφέρεται κυρίως σε πιθανότητες, στατιστική ανάλυση δεδομένων, βελτιστοποίηση και υπολογιστικά μαθηματικά.
Σκοπός του μαθήματος είναι αφενός η εισαγωγή στις βασικές αρχές και προσεγγίσεις της μηχανικής μάθησης, με έμφαση σε πιθανοτικές και στατιστικές μεθόδους και αφετέρου η εφαρμογή των θεωρητικών μοντέλων με την ανάπτυξη κατάλληλων υπολογιστικών αλγορίθμων. Το απαραίτητο υπόβαθρο για την παρακολούθηση του μαθήματος είναι γνώση πιθανοτήτων, στ
Περίγραμμα
![CC - Αναφορά - Μη Εμπορική Χρήση - Παρόμοια Διανομή CC - Αναφορά - Μη Εμπορική Χρήση - Παρόμοια Διανομή](/template/default/img/cc/by-nc-sa.png)
Βιβλιογραφία
- Friedman, J., Hastie, T. and Tibshirani, R. “The Elements of Statistical Learning”, Springer, 2009.
https://web.stanford.edu/~hastie/ElemStatLearn/
- Theodoridis, S. “Machine Learning: A Bayesian and Optimization Perspective”, Academic Press, 2015.
- Sutton, R. and Barto, A. “Reinforcement Learning”, MIT Press, 2018.
- Friedman, J., Hastie, T. and Tibshirani, R. “The Elements of Statistical Learning”, Springer, 2009.
https://web.stanford.edu/~hastie/ElemStatLearn/ - Theodoridis, S. “Machine Learning: A Bayesian and Optimization Perspective”, Academic Press, 2015.
- Sutton, R. and Barto, A. “Reinforcement Learning”, MIT Press, 2018.