Παρουσίαση/Προβολή

(Μ916) -  Γιάννης Παναγάκης, Γιώργος Ιωαννάκης

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 εισάγει το μεταπτυχιακό φοιτητή στις μαθηματικές έννοιες καθώς και σε αλγοριθμικές τεχνικές και υπολογιστικά εργαλεία του επιστημονικού πεδίου της μηχανικής μάθησης. Πιο συγκεκριμένα, το μάθημα προσφέρει μία επισκόπηση των βασικών μεθόδων εποπτευόμενης μάθησης ήτοι, μοντέλα παλινδρόμησης και ταξινόμησης καθώς και μοντέλα μη εποπτευόμενης μάθησης τα οποία περιλαμβάνουν αλγορίθμους ομαδοποίησης, παραγοντοποίησης πινάκων, και λανθάνουσας σημασιολογικής ευρετηρίασης. Ακολουθώντας τις ραγδαίες εξελίξεις στο πεδίο της μηχανικής μάθησης, το δεύτερο μέρος του μαθήματος πραγματεύεται σύγχρονες μεθοδολογίες και αρχιτεκτονικές νευρωνικών δικτύων βάθους. Τα παραπάνω αντικείμενα παρουσιάζονται μέσω διαλέξεων θεωρίας και πρακτικών εργαστηριακών ασκήσεων σε γλώσσα προγραμματισμού Python. Οι πλειοψηφία των παραδειγμάτων και των εφαρμογών που θα συζητηθούν στο πλαίσιο του μαθήματος αφορούν την επεξεργασία και ανάλυση  κειμένου, λόγου και εικόνας.

Ημερομηνία δημιουργίας

Πέμπτη 10 Σεπτεμβρίου 2020