Topic outline

  • Ανακοινώσεις

  • This topic

    Γενικές πληροφορίες μαθήματος

    Μεταπτυχιακό μάθημα χειμερινού εξαμήνου

    Κωδικοί μαθήματος στα προγράμματα σπουδών

    • ΠΜΣ: 316
    • ΕΔΕΜΜ: 852
    • ΔΣΑΚ: Γ12
    • ΕΜΕ: 94125
    • Προτυποποίηση: 9531

    Διδάσκοντες

    • Στέφανος Κόλλιας, Καθηγητής
    • Γεώργιος Στάμου, Καθηγητής
    • Αθανάσιος Βουλόδημος, Επίκουρος Καθηγητής
    • Γεώργιος Αλεξανδρίδης, ΕΔΙΠ
    • Γεώργιος Σιόλας, ΕΔΙΠ
    • Παρασκευή Τζούβελη, ΕΔΙΠ

    Διαλέξεις Θεωρίας

    Πέμπτη 12:45-15:30 Αιθ. 002. 

    Εργαστήριο

    Τετάρτη 08:45-10:30 στο PC Lab της ΣΗΜΜΥ. 

    Η παρακολούθηση του εργαστηρίου δεν είναι υποχρεωτική.

    Βαθμολογικό σχήμα

    • Τελική γραπτή εξέταση: 70%
    • Εργασίες: 40%

    Συνολικά είναι διαθέσιμοι 11 πόντοι (ένας βαθμός bonus).

      Κανονισμοί απουσιών

      Η παρακολούθηση του μαθήματος είναι υποχρεωτική για όλους. Οι κανονισμοί διαφέρουν μεταξύ των προγραμμάτων. Παρακαλούμε συμβουλευτείτε τους κανονισμούς απουσιών που σας αφορούν.

      Διδακτέα - εξεταστέα ύλη

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

      • Διαλέξεις

        • Διαλέξεις Folder

          Στον φάκελο αυτό θα ανεβαίνουν σταδιακά οι διαφάνειες των διαλέξεων του μαθήματος.

      • Εργαστήριο

        Το εργαστήριο γίνεται Τετάρτη 08.45-10.30 στην αίθουσα Α4 του PC Lab. To PC Lab βρίσκεται στα νέα κτίρια ηλεκτρολόγων, στην πτέρυγα Α' (Α' φάση, η αρίθμηση των αιθουσών ξεκινάει με "Α") στον πρώτο όροφο.  

      • 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
        • Christopher Bishop - Pattern Recognition And Machine Learning - Springer (2006)
        • Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar - Foundations of Machine Learning (second edition) - The MIT Press (2018)
        • Shai Shalev-Shwartz and Shai Ben-David - Understanding Machine Learning: From Theory to Algorithms - Cambridge University Press (2014)

        Συμπληρωματικά textbooks

        • Ian Goodfellow, Yoshua Bengio, and Aaron Courville - Deep learning. MIT press (2016)
        • Vladimir Vapnik - The Nature Of Statistical Learning (second edition) - Springer  (2010)

        Πρακτική Μηχανική Μάθηση

        • Raschka, Sebastian, and Vahid Mirjalili. Python Machine Learning, 3rd Ed. Packt Publishing (2019) - code repository
        • Géron, A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. O'Reilly Media. (2019) - code repository

        Αντιστοίχιση ύλης - κεφαλαίων textbooks

          Haykin Bishop Mohri Shalev Goodfellow
        Supervised Learning   4 1 2,9  
        Model Selection     4 11  
        Perceptron 1 4 8 9  
        Regression   3 11,6 9,16  
        Clustering   9   22  
        Decision Trees     9 18  
        MLP 4 5   20  
        DFFN         6
        The PAC Learning Framework     2 3,4  
        SVM & Kernel Methods 6 7 5,6 15,16  
        Regularization   5 5 13  
        Rademacher Complexity - VC Dimension     3 26,6  
        Deep Learning Intro1         9
        Online Learning     8 21  
        Reinforcement Learning     17    
        Boosting     7 10  
        Multiclass Classification - Ranking     9,10 17
        1για το ResNet: Dive Into Deep Learning 7.6