Παρουσίαση/Προβολή

(ΠΜΣ 535) -  Θεοδωρίδης Σέργιος

Περιγραφή Μαθήματος

1) Μηχανική μάθηση, ανακαλύπτοντας δομή σε δεδομένα, παραμετρική και μη παραμετρική μοντελοποίηση, συναρτήσεις κόστους, ελάχιστα τετράγωνα, γραμμική παλινδρόμηση (regression), ταξινόμηση (classification), regularization, ridge regression, αντίστροφα προβλήματα: ill-conditioning and overfitting, εκτίμηση μέσου τετραγωνικού σφάλματος, Bias-variance dilemma, μέθοδος μέγιστης πιθανοφάνειας, Bayesian inference, curse of dimensionality, μέθοδοι δοκιμασίας (validaion).

2) Γραμμική εκτίμηση μέσου τετραγωνικού σφάλματος (MSE), συνθήκη ορθογωνιότητας, γραμμικά φίλτρα, MSE φίλτρα στο πεδίο συχνοτήτων, αποσυνέλιξη: image deblurring, φίλτρα Kalman.

3) Μέθοδος στοχαστικής κατάδυσης, εφαρμογή σε MSE εκτίμηση, στοχαστική προσσέγιση (stochastic approximation), online αλγόριθμοι, o αλγόριθμος LMS.

4) Η οικογένεια των ελαχίστων τετραγώνων, γεωμετρική ερμηνεία, ψευδοαντίσροφος, ιδιότητες του εκτιμητή ελαχίστων τετραγώνων, ο αλγόριθμος RLS, singular value decomposition και ελάχιστα τετράγωνα.

Ημερομηνία δημιουργίας

Τρίτη 2 Δεκεμβρίου 2