Section outline
-
-
Εδώ αναρτώνται οι γενικές ανακοινώσεις από τους διδάσκοντες προς τους εγγεγραμμένους φοιτητές, οι οποίοι τις λαμβάνουν και στην ηλεκτρονική τους διεύθυνση.
-
Σε αυτό το forum, μπορεί οποιοσδήποτε εγγεγραμμένος φοιτητής να αναρτά ερωτήσεις σχετικές με το μάθημα και να λαμβάνει απαντήσεις από τους διδάσκοντες. Οι ερωτήσεις και οι απαντήσεις θα είναι διαθέσιμες σε όλους τους φοιτητές.
Οι φοιτητές μπορούν να δηλώσουν με την εγγραφή τους αν θέλουν να ενημερώνονται για τις αναρτώμενες ερωταπαντήσεις.
-
-
- Κωνσταντίνος Χρυσαφίνος, Καθηγητής ()
- Δημήτρης Φωτάκης, Καθηγητής ()
Ώρες Γραφείου Διδασκόντων
- Κωνσταντίνος Χρυσαφίνος: Δευτέρα & Πέμπτη 10:30-11:30 (Γραφείο 2-17, Κτ. Ε).
- Δημήτρης Φωτάκης: Τετάρτη 14:00 - 15:00, στο γραφείο 1.1.10, (Παλαιό) Κτήριο Ηλεκτρολόγων.
-
Το μάθημα προσφέρεται στα πλαίσια του ΔΠΜΣ "Επιστήμη Δεδομένων και Μηχανική Μάθηση" (ΕΔΕΜΜ), του ΔΠΜΣ "Αλγόριθμοι, Λογική και Διακριτά Μαθηματικά" (ΑΛΜΑ) και του Διδακτορικού Προγράμματος της ΣΗΜΜΥ ΕΜΠ.
Οι διαλέξεις του μαθήματος γίνονται κάθε Δευτέρα, ώρα 15:10-18:00, στο Νέο Κτήριο Ηλεκτρολόγων, Αίθουσα 003.
Η πρώτη διάλεξη για το εαρινό εξάμηνο 2024 θα γίνει την Τετάρτη 14 Φεβρουαρίου.
-
- Shai Shalev-Shwartz and Shai Ben-David. Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press, 2014.
- Shai Shalev-Shwartz. Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning. Vol. 4(2): 107–194, 2011.
- Elad Hazan. Introduction to Online Convex Optimization. Foundations and Trends in Optimization. Vol. 2(3-4): 157-325, 2015.
- Διαλέξεις@youtube του Machine Learning μαθήματος από τον Shai Ben-David, University of Waterloo, 2015.
- Μάθημα Machine Learning από τον Shai Shalev-Shwartz, The Hebrew University of Jerusalem, 2014.
-
Σημειώσεις μαθημάτων μέχρι και την 4η βδομάδα (δεν συμπεριλαμβάνονται κάποιες από τις ασκήσεις που έγιναν στον πίνακα).
-
-
- Διάλεξη 14/2/2024: Διαδικαστικά θέματα. Εισαγωγή.
- Διάλεξη 8/4/2024: Οnline learning, αλγόριθμος υποδιπλασιασμού, εκμάθηση διαζεύξεων, regret, no-regret αλγόριθμοι, weighted majority algorithm and randomized weighted majority algorithm, no-regret, εφαρμογές. PAC learning, no-free-lunch theorem, Empirical Risk Minimization (ERM).
- Προτεινόμενη μελέτη:
- Διαφάνειες διάλεξης.
- Διαφάνειες Shalev-Shwartz: set1 και set2.
- Κεφάλαια 1-4 και 6 από Understanding Machine Learning.
- Survey του Avrim Blum για χρήση online αλγορίθμων για μάθηση και σημειώσεις για τους αλγόριθμους weighted majority και randomized weighted majority (και κάποιες επιπλέον σημειώσεις: 1ο μέρος και 2ο μέρος).
- Διάλεξη 15/4/2024: PAC learning, Empirical Risk Minimization (ERM), VC-dimension, agnostic PAC learning (επανάληψη), learning via uniform convergence, non-uniform convergence, bias-complexity tradeoff, loss functions, ERM and convex optimization. Οnline learning, regret, no-regret αλγόριθμοι, Follow the Leader (FTL) και Be the Leader BTL) (ορισμός και ανάλυση του regret).
- Προτεινόμενη μελέτη:
- Διαφάνειες διάλεξης: set1και set2.
- Διαφάνειες Shalev-Shwartz: set2 και set3 (χωρίς το κομμάτι του Linear Regression).
- Σημειώσεις Β. Συργκάνη.
- Προτεινόμενη μελέτη:
- Διάλεξη 22/4/2024: Online learning, regret, no-regret αλγόριθμοι, Follow the Leader (FTL) και Be the Leader BTL) (ορισμός και ανάλυση του regret, επανάληψη). Ο ρόλος της ισχυρής κυρτότητας στην ευστάθεια αλγορίθμων της μορφής Follow the Leader, regularization, Follow the Regularized Leader (FTRL, ορισμός, παραμετροποίηση με βάση τον regularizer, ανάλυση του regret). Οnline convex optimization, βασική ανάλυση της Gradient Descent για convex συναρτήσεις.
- Προτεινόμενη μελέτη:
- Διαφάνειες διάλεξης (set1 και set2).
- Tutorial του Elad Hazan, Optimization and Machine Learning.
- Σημειώσεις Μ. Ζαμπετάκη.
- Σημειώσεις Β. Συργκάνη.
- Κεφάλαιο 1 και ενότητες 2.1 - 2.5 από Online Learning and Online Convex Optimization
- Διάλεξη 20/5/2024: Βασική ανάλυση της Gradient Descent για convex και strongly convex συναρτήσεις, Online Gradient Descent, ανάλυση για convex και strongly convex συναρτήσεις, Stochastic Gradient Descent, ανάλυση με αναγωγή στην ανάλυση της Online Gradient Descent. Εφαρμογή της SGD στην ελαχιστοποίηση log-likelihood για την εκμάθηση μέσης τιμής κανονικής κατανομής
- Προτεινόμενη μελέτη:
- Διαφάνειες (set1 και set2).
- Κεφάλαια 12, 13 και 14 από Understanding Machine Learning.
- Σημειώσεις Β. Συργκάνη (δείτε μόνο το πρώτο μέρος).
- Ενότητες 2.1 και 2.2, και κεφάλαιο 3 από Online Convex Optimization.
- Δείτε ακόμη τις διαφάνειες Shalev-Shwartz για τον ρόλο του regularization στη βελτιστοποίηση υποθέσεων στο Machine Learning, τις διαφάνειες Shalev-Shwartz για μια πιο λεπτομερή παρουσίαση της Stochastic Gradient Descent και των εφαρμογών της στο Machine Learning και τις διαφάνειεςκαι τις σημειώσεις του Γ. Παναγέα για την Stochastic Gradient Descent και τις εφαρμογές της.
- Διάλεξη 27/5/2024: Επανεξέταση αλγορίθμων Gradient Descent, FTRL και Mirror Descent. Σύντομη εισαγωγή στους βασικούς αλγόριθμους για stochastic και adversarial multi-armed bandits.
- Προτεινόμενη μελέτη:
- Κεφάλαιο 28 από βιβλίο Lattimore and Szepesvariγια για multi-armed bandits.
- Διαφάνειες Γ. Παναγέα για multi-armed bandits (set1 και set2).
- Σημειώσεις Γ. Παναγέα για multi-armed bandits .
- Κεφάλαια 1, 5 και 6 από μονογραφία του A. Slivkins για multi-armed bandits.
- Προτεινόμενη μελέτη:
-
- Θα ανακοινωθούν δύο (2) σειρές ασκήσεων.
- Οι ασκήσεις υποβάλλονται στη σελίδα του μαθήματος, στο helios. Δεν γίνεται δεκτή η παράδοση ασκήσεων με e-mail.
Εκφωνήσεις Γραπτών Ασκήσεων
- 1η σειρά ασκήσεων. Προθεσμία υποβολής: 17/5/2024.
- 2η σειρά ασκήσεων. Προθεσμία υποβολής: 10/7/2024.