Section outline
-
Μεταπτυχιακό μάθημα χειμερινού εξαμήνου
Κωδικοί μαθήματος στα προγράμματα σπουδών
- ΠΜΣ: 316
- ΕΔΕΜΜ: 852
- ΔΣΑΚ: Γ12
- ΕΜΕ: 94125
- Προτυποποίηση: 9531
Διδάσκοντες
- Αθανάσιος Βουλόδημος, Επίκουρος Καθηγητής (Συντονιστής μαθήματος)
- Γεώργιος Στάμου, Καθηγητής
- Παρασκευή Τζούβελη, ΕΔΙΠ
Διαλέξεις Θεωρίας
Πέμπτη 12:45-15:30 Αιθ. 010.
Εργαστήριο
Τρίτη 08:45-10:30 στο PC Lab της ΣΗΜΜΥ.
Το εργαστήριο πραγματοποιείται σε συγκεκριμένες ημερομηνίες που ανακοινώνονται εγκαίρως.
Βαθμολογικό σχήμα
- Τελική γραπτή εξέταση: 70%
- Εργασίες: 30%
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.
-
Το εργαστήριο γίνεται Τρίτη 08.45-10.30 στην αίθουσα Α3 του PC Lab σε συγκεκριμένες ημερομηνίες που ανακοινώνονται εγκαίρως. To PC Lab βρίσκεται στα νέα κτίρια ηλεκτρολόγων, στην πτέρυγα Α' (Α' φάση) στον πρώτο όροφο.
-
Στο φάκελο αυτό θα ανεβαίνει το υλικό που παρουσιάζεται στα εργαστήρια του μαθήματος.
-
Opened: Tuesday, 22 October 2024, 12:00 AMDue: Monday, 18 November 2024, 11:59 PM
Υποβολή μέχρι Κυριακή 17.11.2024, 23:59
Ως labels' file για το test set χρησιμοποιήστε το αρχείο y_test.csv
-
Opened: Friday, 22 November 2024, 12:00 AMDue: Sunday, 15 December 2024, 11:59 PM
-
Παρακαλούμε να προσέλθετε για την ατομική εξέτασή σας στην 1η εργαστηριακή εργασία, την Τρίτη 19/11/2024, στα PCLabs, το χρονικό διάστημα που αναφέρεται στο αρχείο
49.2 KB
-
-
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