Παρουσίαση/Προβολή

(9.021) -  

Περιγραφή Μαθήματος

Το μάθημα εισάγει τους φοιτητές στις βασικές έννοιες, τους αλγορίθμους και την πρακτική της Μηχανικής Μάθησης και της Εξόρυξης Γνώσης από δεδομένα. Ξεκινά από τη διαδικασία ενός έργου ΜΜ (προεπεξεργασία δεδομένων, επιλογή και αξιολόγηση μοντέλων) και περνά στις κλασικές μεθόδους ταξινόμησης, παλινδρόμησης και μη επιβλεπόμενης μάθησης. Στη συνέχεια καλύπτει τη βαθιά μάθηση: νευρωνικά δίκτυα, συνελικτικά και αναδρομικά δίκτυα, Transformers και μεγάλα γλωσσικά μοντέλα (LLMs), γενετικά μοντέλα και ενισχυτική μάθηση. Η θεωρία συνοδεύεται από λυμένα παραδείγματα και εφαρμογές σε Python (scikit-learn, Keras, Hugging Face).

Μαθησιακά αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν να:

• περιγράφουν τα είδη μάθησης (επιβλεπόμενη, μη επιβλεπόμενη, ενισχυτική) και τη διαδικασία εξόρυξης γνώσης (KDD, CRISP-DM)
• προετοιμάζουν δεδομένα για μοντέλα ΜΜ και αποφεύγουν τη διαρροή δεδομένων
• εφαρμόζουν και συγκρίνουν αλγορίθμους: γραμμικά μοντέλα, δένδρα αποφάσεων, SVM, ensembles, ομαδοποίηση, μείωση διάστασης, κανόνες συσχέτισης
• αξιολογούν σωστά μοντέλα (cross-validation, precision/recall, ROC) και διαγιγνώσκουν υπερπροσαρμογή
• σχεδιάζουν και εκπαιδεύουν νευρωνικά δίκτυα (MLP, CNN, RNN/LSTM)
• εξηγούν τη λειτουργία των Transformers και των LLMs και τις σύγχρονες τεχνικές αξιοποίησής τους (prompting, RAG, fine-tuning)
• αναγνωρίζουν τους περιορισμούς και τα ηθικά ζητήματα της Τεχνητής Νοημοσύνης

Περιεχόμενο

1. Εισαγωγή στη Μηχανική Μάθηση και την Εξόρυξη Γνώσης
2. Δεδομένα και προεπεξεργασία: ένα έργο ΜΜ από την αρχή ως το τέλος
3. Γραμμικά μοντέλα και βελτιστοποίηση (gradient descent, ομαλοποίηση, λογιστική παλινδρόμηση)
4. Ταξινόμηση Ι: βασικές έννοιες και αξιολόγηση (kNN, Naive Bayes, μέτρα απόδοσης, cross-validation)
5. Ταξινόμηση ΙΙ: Δένδρα Αποφάσεων (ID3, C4.5, CART, κλάδεμα)
6. Ταξινόμηση ΙΙΙ: Support Vector Machines και kernels
7. Ταξινόμηση IV: Ensemble μέθοδοι (Bagging, Random Forests, Boosting)
8. Μη επιβλεπόμενη μάθηση και εξόρυξη προτύπων (PCA, ομαδοποίηση, ανίχνευση ανωμαλιών, κανόνες συσχέτισης)
9. Τεχνητά Νευρωνικά Δίκτυα και εκπαίδευση βαθέων δικτύων
10. Συνελικτικά Νευρωνικά Δίκτυα (CNN)
11. Ακολουθίες: RNN και LSTM
12. Transformers και Μεγάλα Γλωσσικά Μοντέλα (LLMs)
13. Γενετικά μοντέλα και Ενισχυτική μάθηση · Ανασκόπηση

Προαπαιτούμενες γνώσεις

Πιθανότητες και Στατιστική, Γραμμική Άλγεβρα, βασικός Λογισμός, προγραμματισμός σε Python (βασικές γνώσεις NumPy και pandas).

Βιβλιογραφία

• A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow, 3η έκδοση, O’Reilly (βασικό σύγγραμμα)
• G. James, D. Witten, T. Hastie, R. Tibshirani, J. Taylor, An Introduction to Statistical Learning (έκδοση Python), ελεύθερα διαθέσιμο online
• Κεφ. 4 «Μηχανική Μάθηση», Κάλλιπος
• Σ. Λυκοθανάσης, Δ. Κουτσομητρόπουλος, Υπολογιστική νοημοσύνη και βαθιά μάθηση, Κάλλιπος
• D. Jurafsky, J. H. Martin, Speech and Language Processing, 3rd ed. draft (συμπληρωματικό, για Transformers και LLMs), ελεύθερα διαθέσιμο online

Ημερομηνία δημιουργίας

Sunday, November 17, 2019