Παρουσίαση/Προβολή

(ΕΠ08) -  Γιάννης Παναγάκης

Περιγραφή Μαθήματος

Η κατανόηση της νοημοσύνης και η αναπαραγωγή της σε μηχανές είναι αναμφισβήτητα ένα από τα μεγαλύτερα ανοιχτά επιστημονικά προβλήματα. Η μάθηση, οι αρχές της και ο υπολογισμός, βρίσκονται στον πυρήνα της νοημοσύνης. Κατά τη διάρκεια της τελευταίας δεκαετίας, για πρώτη φορά, αναπτύξαμε συστήματα τεχνητής νοημοσύνης που άρχισαν να επιλύουν πολύπλοκα προβλήματα και να έχουν ιδιότητες οι οποίες μέχρι  πρόσφατα ήταν αποκλειστικότητα των βιολογικών οργανισμών. Για παράδειγμα οι φωτογραφικές μηχανές αναγνωρίζουν πρόσωπα, τα έξυπνα τηλέφωνα καταλαβαίνουν τις φωνητικές εντολές, τα έξυπνα ηχεία / βοηθοί απαντούν σε ερωτήσεις και τα αυτοκίνητα μπορούν να δουν και να αποφύγουν εμπόδια. Τα μοντέλα και οι αλγόριθμοι μηχανικής μάθησης βρίσκονται στο πυρήνα αυτών των τεχνολογιών και «εκπαιδεύονται» με παραδείγματα δεδομένων αντί να προγραμματίζονται εκ των προτέρων όπως άλλα συστήματα λογισμικού.

Το μάθημα Αναγνώριση Προτύπων – Μηχανική Μάθηση απευθύνεται στους φοιτητές  του 6^ου εξαμήνου και αποτελεί μια εισαγωγή στα μοντέλα μηχανικής μάθησης με επίβλεψη (supervised machine learning) υπό το πρίσμα της στατιστικής μάθησης (statistical learning) και της υπολογιστικής βελτιστοποίησης. Σκοπεύει να μεταδώσει τις βασικές γνώσεις των μαθηματικών, αλγοριθμικών και υπολογιστικών εργαλείων, οι οποίες είναι αναγκαίες σε ένα μεγάλο εύρος επιστημονικών προβλημάτων και εφαρμογών ανάλυσης δεδομένων και σημάτων του πραγματικού κόσμου.

Το περιεχόμενο του μαθήματος οργανώνεται ως εξής. Αρχικά εισάγονται βασικές έννοιες που αφορούν στην αναπαράσταση δεδομένων (π.χ., εικόνων, ήχου, κειμένου) και την εξαγωγή χαρακτηριστικών. Στη συνέχεια παρουσιάζονται στατιστικά μοντέλα και αλγόριθμοι βελτιστοποίησης για παλινδρόμηση, ταξινόμηση, ομαδοποίηση, μείωση διαστάσεων και επιλογή χαρακτηριστικών. Θα συζητηθούν, επίσης, τοπικές μέθοδοι, μέθοδοι πυρήνων και μηχανές εδραίων διανυσμάτων (support vector machines). Το τελευταίο μέρος του μαθήματος επικεντρώνεται στα νευρωνικά δίκτυα και τις μεθοδολογίες βαθιάς μάθησης (deep  learning). Θα συζητηθούν τα στοιχεία των νευρωνικών δικτύων, αλγόριθμοι εκπαίδευσης και αρχιτεκτονικές δικτύων. Τα παραπάνω αντικείμενα παρουσιάζονται μέσω διαλέξεων θεωρίας και σεμιναρίων, τα οποία καλύπτουν υλοποιήσεις αλγορίθμων μηχανικής μάθησης και αναγνώρισης προτύπων σε Python.

Προαπαιτούμενα: Πιθανότητες και Στατιστική

Ημερομηνία δημιουργίας

Τρίτη 18 Φεβρουαρίου 2020