Παρουσίαση/Προβολή

Περιγραφή

Θεματολογία

●      Μέθοδοι αναπαράστασης γνώσης (προτασιακή λογική, λογική πρώτης τάξης, σημασιολογικά δίκτυα, κλπ).

●       Μέθοδοι εξαγωγής συμπερασμάτων από βάσεις γνώσης.

●      Διατύπωση προβλημάτων μηχανικής μάθησης ως προβλήματα βελτιστοποίησης

●      Στόχοι και εφαρμογές της μηχανικής μάθησης

●      Αλγόριθμοι μηχανικής μάθησης για επεξεργασία φυσικής γλώσσας

●      Πολυκριτιριακές προσεγγίσεις βελτιστοποίησης (common optimization) και αντιμετώπισης της υπερπροσαρμογής (overfitting)

●      Επισκόπηση των βασικών μεθόδων εποπτευόμενης μάθησης, μοντέλα παλινδρόμησης και ταξινόμησης

●      Μοντέλα μη εποπτευόμενης μάθησης, αλγόριθμοι ομαδοποίησης, παραγοντοποίησης πινάκων και λανθάνουσας σημασιολογικής ευρετηρίασης

●      Μεθοδολογίες και αρχιτεκτονικές νευρωνικών δικτύων βαθιάς μάθησης

●      Παραδείγματα και εφαρμογές στις ανθρωπιστικές επιστήμες.

Μαθησιακά αποτελέσματα

Μετά το πέρας του μαθήματος ο φοιτητής θα μπορεί

●          Να κατανοεί τις βασικές μεθόδους αναπαράστασης της γνώσης και συμπερασμού

●          Να δύναται να διατυπώσει προβλήματα μηχανικής μάθησης ως προβλήματα βελτιστοποίησης και να έχει εξοικειωθεί με βασικές προσεγγίσεις πολυκριτιριακής βελτιστοποίησης για μηχανική μάθηση

●          Να εφαρμόζει σε γλώσσα προγραμματισμού Python βασικούς αλγορίθμους μηχανικής μάθησης στην επεξεργασία και ανάλυση κειμένου.