Αρχική σελίδα » Μαθήματα » Μηχανική Μάθηση

Μηχανική Μάθηση

Περιγραφή:

  • Γενικές τεχνικές μάθησης με επίβλεψη και μάθησης χωρίς επίβλεψη.
  • Το πρόβλημα επιλογής μοντέλου και η μέθοδος της δια-αξιολόγησης (cross-validation).
  • Εισαγωγή στην πιθανοτική μοντελοποίηση και των στατιστικών τεχνικών μάθησης.
  • Γραμμικά μοντέλα παλινδρόμησης και κατηγοριοποίησης δεδομένων.
  • Μέθοδοι βελτιστοποίησης και η τεχνικη της ανοδικής κλίσης.
  • Μη γραμμικά μοντέλα παλινδρόμησης και κατηγοριοποίησης με την χρήση διανυσμάτων χαρακτηριστικών, ακτινικών συναρτήσεων βάσης και νευρωνικών δικτύων.
  • Περιγραφικές μέθοδοι κατηγοριοποίησης χρησιμοποιώντας κοντινότερους γείτονες και το θεώρημα του Bayes.
  • Συστήματα κατηγοροποίησης με τον αλγόριθμο perceptron, μεθόδους πυρήνων (kernel methods)) και μηχανών διανυσμάτων υποστήριξης.
  • Ομαδοποίηση δεδομένων με τον αλγόριθμο των κ-μέσων.
  • Φασματική ομαδοποίηση (spectral clustering).
  • Μίξεις κατανομών και ο αλγόριθμος προσδοκίας-μεγιστοποίησης.
  • Μοντέλα κρυμμένων μεταβλητών για μείωση διάστασης με χρήση ανάλυσης πρωτεύοντων συνιστωσών (principal component analysis) και ανάλυσης παραγόντων (factor analysis).
  • Πιθανοτικά γραφικά μοντέλα. Δυναμικά Markov μοντέλα και κρυμμένα μοντέλα Markov.

Προαπαιτούμενες γνώσεις:

  1. Θεωρία πιθανοτήτων
  2. Γραμμική άλγεβρα (πράξεις με πίνακες, ιδιοτιμές ιδιοδιανύσματα κτλ)
  3. Μαθηματική ανάλυση για πολλές μεταβλητές (συναρτήσεις πολλών μεταβλητών, καλή γνώση των κανόνων παραγώγισης και εύρεσης διανυσμάτων μερικών παραγώγων κτλ)
  4. Βασικές γνώσεις αριθμητικής βελτιστοποίησης
  5. Εμπειρία στο προγραμματισμό (το μάθημα περιλαμβάνει προγραμματιστική άσκηση υλοποίησης σε MATLAB ή Python).