Εργασία 2. ομαδική εργασία

Άνοιξε: Πέμπτη, 8 Δεκεμβρίου 2022, 12:00 πμ
Λήγει: Κυριακή, 26 Φεβρουαρίου 2023, 11:59 μμ

Εκφώνηση

Ομαδική εργασία Μηχανικής Μάθησης 2022-2023

Ομάδες

Η εργασία είναι ομαδική σε ομάδες δύο ή τριών ατόμων. Αν δεν είστε σε ομάδα δεν μπορείτε να επιλέξετε θέμα.

Μπορείτε να σχηματίσετε ομάδα από διαφορετικά προγράμματα σπουδών, διδακτορικές σπουδές ή ΔΠΜΣ.

Τυχόν μεμονωμένες συμμετοχές στο τέλος της περιόδου επιλογής ομάδας θα τοποθετηθούν τυχαία σε ομάδες.

Επιλογή θέματος

Είναι διαθέσιμα 23 θέματα που αντιστοιχούν σε διάφορα tasks μηχανικής μάθησης του πραγματικού κόσμου. Επιλέξτε σύμφωνα με τα ενδιαφέροντά σας και όχι με κριτήριο αν μοιάζει εύκολο ή δύσκολο. Όλα τα προτεινόμενα θέματα έχουν μεγάλο βάθος για έρευνα.

Η επιλογή γίνεται μέσα από τη φόρμα επιλογής θέματος ομαδικής εργασίας που θα βρείτε και στο Helios. ΠΡΟΣΟΧΗ: Μόνο ένα μέλος της ομάδας χρειάζεται να υποβάλει και μπορεί να υποβάλει μόνο μία φορα. Θα χρειαστεί να κάνει sign-in με ένα λογαριασμό Google.

Κάθε θέμα μπορεί να επιλεχθεί το μέγιστο από δύο ομάδες, στη συνέχεια η επιλογή του θα παύει να είναι διαθέσιμη στη φόρμα.

Παρατηρήσεις για την εργασία

Το ζητούμενο για κάθε θέμα και dataset διατυπώνεται συνοπτικά. Εντός του ζητούμενου μπορείτε εφαρμόσετε αλγόριθμους μηχανικής μάθησης όπως κρίνετε εσείς. Μελετήστε τη βιβλιογραφία για τις προσεγγίσεις που υπάρχουν στο ζητούμενο σας.

Κάποια dataset είναι πολύ μεγάλα. Μπορείτε να χρησιμοποιήσετε υποσύνολά τους, εφόσον γίνει με σωστό τρόπο η κατασκευή τους.

Σε κάποια θέματα χρειάζεται να χρησιμοποιήσετε API ή το AWS CLI. Αυτό δεν τα κάνει ούτε δυσκολότερα ούτε ευκολότερα.

Θέλουμε να δούμε σύγκριση μεταξύ διάφορων μεθόδων, χαρακτηριστικών, ταξινομητών κλπ.

Από τη βαθιά μάθηση, μπορείτε να χρησιμοποιήσετε μόνο Feed-Forward Networks και CNN εφόσον έχουν εφαρμογή στο πρόβλημά σας. Ο βασικός κορμός της εργασίας πρέπει να αποτελείται από τις μεθοδολογίες της κλασσικής μηχανικής μάθησης (≈ scikit-learn).

Εξαίρεση στο προηγούμενο αποτελούν τα θέματα ενισχυτικής μάθησης όπου χρησιμοποιούμε μόνο μοντέλα Deep Reinforcement Learning.

Παραδοτέο

Το παραδοτέο της εργασίας είναι μια γραπτή αναφορά παρόμοια στη σύνταξη με ένα σύντομο paper για συνέδριο.

Για το περιεχόμενό της σας προτείνουμε να ακολουθήσετε το έγγραφο "Final Report Guidelines."

Για το formatting, θα θέλαμε αναφορές σε Α4 που ακολουθούν το conference template της ΙΕΕΕ για Word ή .

Αν τυχόν χρειαστεί να μοιράσετε επιπλέον υλικό (κώδικα, γραφήματα κλπ) μπορείτε να χρησιμοποιήσετε αποκλειστικά το github.