Περιγραφή θέματος

  • Νέα και Ανακοινώσεις

  • Αυτό το θέμα

    Βασικές πληροφορίες μαθήματος

    Προπτυχιακό μάθημα, ροή Υ "Υπολογιστικά Συστήματα", 9ο εξάμηνο, κατ'επιλογήν  υποχρεωτικό, κωδικός μαθήματος στο πρόγραμμα σπουδών: 3319 (3.4.3319.9)

    Διάλεξη

    Τρίτη 10:45-12:15 Ηλ. Αμφ. 3 (Δ2 -Υβριδική διδασκαλία).

    Προσοχή! Η προσέλευση στη σχολή γίνεται υποχρεωτικά μόνο εφόσον έχει γίνει δήλωση edupass. 

    Παρουσίαση και βιντεοσκόπηση. Τα αρχεία καταγραφών μεταφέρονται αυτόματα μετά την λήξη της διάλεξης στο tab "Files" στο MS Teams.
    Αρχείο βιντεοσκοπημένων διαλέξεων (SharePoint).

    Εργαστήριο

    Τα εργαστήρια διεξάγονται διαδικτυακά στην πλατφόρμα MS Teams.

    Αρχείο βιντεοσκοπημένων εργαστηρίων (SharePoint).

    Η παρακολούθηση του εργαστηρίου δεν είναι υποχρεωτική.

    Ημερολόγιο

    Συμβουλευτείτε το "Ημερολόγιο" του μαθήματος στο αριστερό sidebar. 

    Διαλέξεις και Εργαστήρια βιντεοσκοπούνται, αλλά όχι τα Help-desk. 

    Στο ημερολόγιο θα σημειώνονται και οι προθεσμίες των ασκήσεων.

    MS Teams

    Κωδικός ΜS Teams: 46816p9

    Βαθμολογικό σχήμα

    • Τελική γραπτή εξέταση: 70%.
    • Εργαστήριο: 40% σε τρεις ομαδικές ασκήσεις κατά τη διάρκεια του εξαμήνου.
    • Συνολικά είναι διαθέσιμοι 11 πόντοι (ένας βαθμός bonus).
    • Ο βαθμός του εργαστηρίου διατηρείται για μια επιπλέον ακαδημαϊκή χρονιά.


    Διδακτέα - εξεταστέα ύλη

    Η διδακτέα και εξεταστέα ύλη είναι το σύνολο της ύλης των διαλέξεων και του εργαστηρίου.

    Μέτρα COVID19

    10 απλές οδηγίες για την προστασία μας στη διάρκεια του χειμερινού εξαμήνου 2021-2022 με δια ζώσης μαθήματα στη ΣΗΜΜΥ

    • Διαλέξεις

      • Διαλέξεις Φάκελος

        Στον φάκελο αυτό θα ανεβαίνουν σταδιακά οι διαφάνειες των διαλέξεων του μαθήματος. Οι βιντεοσκοπημένες διαλέξεις βρίσκονται στο MS Teams στο κανάλι "Διαλέξεις" στο tab "Files".

    • Εργαστήριο

      • Επιλογή ομάδας εργαστηρίου

        Επιλέξτε τα μέλη της ομάδας με την οποία θα δουλέψετε στις 3 εργαστηριακές ασκήσεις κατά τη διάρκεια του εξαμήνου. Ελάχιστος αριθμός μελών 2, μέγιστος 3. Το αν η ομάδα έχει 2 ή 3 μέλη δεν αλλάζει κάτι ως προς τα ζητούμενα οπότε σας προτείνουμε να σχηματίσετε ομάδες των 3 αν είναι δυνατόν.

        Αν δεν έχετε υπόψη σας κάποιον/κάποιους συνεργάτες, μπορείτε να μπείτε μόνοι σας σε μια ομάδα, στο τέλος όμως θα τοποθετηθείτε τυχαία σε ομάδα με τουλάχιστον 2 μέλη. 

        Αν βρεθείτε σε ομάδα με συναδέλφους που δεν γνωρίζετε μπορείτε να ξεκινήσετε την επικοινωνία μέσω του helios: στα δεξιά του header θα βρείτε το drawer μηνυμάτων. επιλέξτε την ομάδα σας και το μέλος με το οποίο θέλετε να επικοινωνήσετε

      • Εργαστήριο Φάκελος

        Στον φάκελο αυτό θα ανεβαίνει το υλικό που παρουσιάζεται στα εργαστήρια του μαθήματος.  Οι βιντεοσκοπημένες παρουσιάσεις του εργαστηρίου βρίσκονται στο MS Teams στο κανάλι "Εργαστήριο" στο tab "Files".

      • Εργασία 1. Επιβλεπόμενη Μάθηση Ανάθεση εργασίας
        Άνοιξε: Τρίτη, 2 Νοεμβρίου 2021, 12:00 πμ
        Λήγει: Παρασκευή, 3 Δεκεμβρίου 2021, 11:59 μμ
      • Εργασία 2. Μη επιβλεπόμενη μάθηση Ανάθεση εργασίας
        Άνοιξε: Τρίτη, 23 Νοεμβρίου 2021, 12:00 πμ
        Λήγει: Τετάρτη, 22 Δεκεμβρίου 2021, 11:59 μμ
      • Εργασία 3. Βαθιά Μάθηση Ανάθεση εργασίας
        Άνοιξε: Πέμπτη, 6 Ιανουαρίου 2022, 12:00 πμ
        Λήγει: Τετάρτη, 9 Μαρτίου 2022, 11:59 μμ
      • FAQ εργασιών Αρχείο 101.4KB Έγγραφο HTML

    • Syllabus

      Το μάθημα καλύπτει την περιοχή των νευρωνικών δικτύων με αναφορά και σε άλλες τεχνικές από την ευρύτερη περιοχή της υπολογιστικής νοημοσύνης. 

      Διαλέξεις

      • δίκτυα πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος (πολυστρωματικό perceptron και ο αλγόριθμος backpropagation)
      • μηχανές διανυσμάτων υποστήριξης
      • συσχετιστικά δίκτυα, δίκτυα Hopfield, πολυστρωματικά δίκτυα με ανατροφοδότηση 
      • δίκτυα ανταγωνιστικής μάθησης και χάρτες Kohonen
      • ενισχυτική μάθηση 
      • αλγόριθμοι συνδυαστικής βελτιστοποίησης, γενετικοί αλγόριθμοι
      • βαθιά μάθηση, συνελικτικά δίκτυα, επαναληπτικά δίκτυα, αυτοκωδικοποιητές, παραγωγικά αντιπαραθετικά δίκτυα

      Εργαστήριο

      • επιβλεπόμενη μάθηση: αφελής μπεϋζιανός ταξινομητής, παραμετρικοί και μη-παραμετρικοί ταξινομητές, ανταλλαγή μεροληψίας - διακύμανσης, ταξινομητής k-πλησιέστερων γειτόνων, υπερπαράμτεροι και διασταυρούμενη επικύρωση, μετρικές αξιολόγησης, προεπεξεργασία δεδομένων, κατάρα της διαστατικότητας, εξισορρόπηση συνόλων δεδομένων
      • μη επιβλεπόμενη μάθηση: ομαδοποίηση, αλγόριθμος k-μέσων, αξιολόγηση ομαδοποίησης, ασαφής αλγόριθμος c-μέσων, ιεραρχική ομαδοποίηση, γκαουσιανά μοντέλα μειγμάτων, αυτοοργανούμενοι χάρτες Kohonen
      • ενισχυτική μάθηση: δυναμικός προγραμματισμός, Q-learning, βαθιά ενισχυτική μάθηση
      • βαθιά μάθηση: βιβλιοθήκη tensorflow, συνελικτικά δίκτυα, βιβλιοθήκη keras, επαναληπτικά δίκτυα, δίκτυα υπολοίπων

      • Βιβλιογραφία

        Κύρια textbooks

        • Simon Haykin - Neural Networks and Learning Machines - Prentice Hall, 3rd Edition (2008) - Simon Haykin, Νευρωνικά Δίκτυα και Μηχανική Μάθηση, Εκδόσεις Παπασωτηρίου, 2010 (διανέμεται στο πλαίσιο του μαθήματος)
        • Κωνσταντίνος Διαμαντάρας, Τεχνητά Νευρωνικά Δίκτυα, Εκδόσεις Κλειδάριθμος, 2007 (διανέμεται στο πλαίσιο του μαθήματος)

        Συμπληρωματικά textbooks

        • John A. Hertz, Anders S. Krogh, Richard G. Palmer - Introduction To The Theory Of Neural Computation - Westview Press (1991)
        • Michael Negnevitsky - Artificial Intelligence A Guide to Intelligent Systems - Addison Wesley, Second Edition (2005)
        • Martin T Hagan,‎ Howard B Demuth,‎ Mark H Beale,‎ Orlando De Jesús - Neural Network Design (2nd Edition) 2014
        • Raul Rojas - Neural Networks A Systematic Introduction - Springer (1996) (available online)
        • Ian Goodfellow and Yoshua Bengio and Aaron Courville - Deep Learning - MIT Press (2016) (available online)
        • Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. -  Dive into deep learning - (2020) (available online)

        Άρθρα

        • Coolen, Anthony CC. "A beginner’s guide to the mathematics of neural networks." In Concepts for Neural Networks, pp. 13-70. Springer, London, 1998. (available online)
        • Jain, Anil K., Robert P. W. Duin, and Jianchang Mao. "Statistical pattern recognition: A review." IEEE Transactions on pattern analysis and machine intelligence 22, no. 1 (2000): 4-37. (available online)

        Βιβλιοθήκες


        Αντιστοίχιση διαλέξεων - κεφαλαίων βιβλιογραφίας

        Διαλέξεις Haykin Διαμαντάρας Hertz Negnevitsky Hagan Rojas Goodfellow Dive
        Gradient Descent 4           8 11
        Perceptron - MLP 1,4 2,3 5,6 6 4,11 4,6,7   4
        SVM 6 4            
        Hebbian Learning, Hopfield Model 13 7,8 2   21,15 12,13    
        Competitive Learning     9   16      
        SOM 9 9 8          
        Reinforcement Learning 12   7          
        Genetic Algorithms       7   17    
        Combinatorial Optimization     4,7  
        		14    
        Deep Learning             6 5
        Convolutional NN             9 6,7
        Recurrent NN 15           10  8
        Autoencoders & GAN             14 17

         

        • Εξετάσεις

          • Επαναληπτική εξέταση (δήλωση πρόθεσης συμμετοχής) Επιλογή

            Για τον καλύτερο προγραμματισμό της εξέτασης και κυρίως την αποφυγή σπατάλης χαρτιού από την υπεράριθμη εκτύπωση θεμάτων, σας παρακαλούμε να δηλώσετε τη πρόθεσή σας να συμμετάσχετε στην επαναληπτική εξέταση την Πέμπτη 29/9/2022.

            Η δήλωσή σας δεν είναι δεσμευτική.