Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
Να γνωρίζουν τις αρχές και τις μεθόδους της στατιστικής θεωρίας της μάθησης και τη σχέση της με γνωστές προσεγγίσεις της μηχανικής μάθησης.
Να κατανοούν τη στατιστική φύση των εννοιών και των μεθόδων της μηχανικής μάθησης και τη σχέση τους με την επεξεργασία των δεδομένων.
Να κατανούν, να επιλέγουν και να εφαρμόζουν την καταλληλότερη μέθοδο μηχανικής μάθησης για να προσεγγίσουν συστηματικά και να επιλύσουν προβλήματα της επιστήμης και της τεχνολογίας.
Να επιλέγουν και να εφαρμόζουν αποδοτικούς αλγορίθμους μηχανικής μάθησης για τη μοντελοποίηση δεδομένων και συστημάτων.
Να αντιλαμβάνονται τα ανοιχτά προβλήματα στην περιοχή της μηχανικής μάθησης και της μοντελοποίησης των δεδομένων και των συστημάτων.
Να διεξάγουν αποτελεσματική βιβλιογραφική αναζήτηση συσχετίζοντας τα ανοιχτά προβλήματα με τη βιβλιογραφία.
Να αναγνωρίζουν και να διαχωρίζουν τα ερευνητικά ζητήματα από τα προβλήματα εφαρμογής.
Γενικές Ικανότητες:
Προαγωγή ελεύθερης, δημιουργικής και επαγωγικής σκέψης.
Αναζήτηση, ανάλυση και σύνθεση δεδομένων, τεχνικών και πληροφοριών, με τη χρήση και των απαραίτητων τεχνικών.
Ανάπτυξη και τεκμηρίωση επιχειρημάτων με αξιοποίηση δομημένης μαθηματικής σκέψης.
Συνδυαστική ανάλυση μεθόδων για επίλυση προβλημάτων.
Θεωρία αποφάσεων του Bayes. Μπεϋζιανή εκτίμηση πυκνότητας πιθανότητας.
Μπεϋζιανή ταξινόμηση.
Μηχανές διανυσμάτων υποστήριξης.
Hidden Markov Models.
Υλοποίηση αλγορίθμων σε περιβάλλον R, MATLAB/Octave.
Ομαδοποίηση και στατιστικές τεχνικές (k-means, k-median).
Ο αλγόριθμος DBSCAN.
Bootstrap και Subsampling.
Υλοποίηση αλγορίθμων σε περιβάλλον R, MATLAB/Octave.
Μπεϋζιανή μάθηση και Νευρωνικά Δίκτυα. Πιθανοτικά νευρωνικά δίκτυα.
Το πρόβλημα της Γενίκευσης. Το Δίλημμα Bias-Variance και η Διάσταση Vapnik – Chervonenkis.
Στατιστική ερμηνεία του πολυεπίπεδου perceptron.
Το No Free Lunch Theorem και η εφαρμογή του στη μηχανική μάθηση.
Μετασχηματισμός Karhunen-Loeve.
Ανάλυση σε Ιδιάζουσες Τιμές (Singular Value Decomposition ) και Ανάλυση σε Κύριες Συνιστώσες (Principal Component Analysis).
Μείωση της διάστασης με χρήση θεωρίας γράφων. Ιδιοαπεικονίσεις Laplace. Τοπική γραμμική ενσωμάτωση, Ισομετρική απεικόνιση.
Μείωση της Διάστασης με Αυτο-οργανούμενους Χάρτες Kohonen και Αυτο-συσχετιστικά Νευρωνικά Δίκτυα (Auto-associative Neural Networks).
Πυρήνες Mercer, και reproducing kernel Hilbert spaces. Σχέση με μη-παραμετρική στατιστική. Ταξινόμηση βασισμένη σε πυρήνες. Μηχανές διανυσμάτων υποστήριξης: μη-γραμμική περίπτωση. Νευρωνικά δίκτυα ακτινικής βάσης. Δίκτυα perceptron με χρήση πυρήνων.
