Η Μάθηση Μηχανών (Machine Learning) αποτελεί πλέον ένα θεμελιώδες τμήμα πολλών εμπορικών και ερευνητικών εφαρμογών. Κάνοντας χρήση της γλώσσας Python, και βιβλιοθηκών όπως το Scikit-learn και το TensorFlow, είναι εφικτή η γρήγορη ανάπτυξη περίπλοκων εφαρμογών, σε πεδία όπως αυτά της ανάπτυξης διεπαφών επικοινωνίας ανθρώπου μηχανής που στηρίζονται στην μηχανική όραση, την ακρόαση, την χρήση αισθητήρων, επενεργητών κ.α.
Έχοντας υπόψη τα παραπάνω, το παρόν μάθημα στοχεύει στην εισαγωγή των φοιτητών στο γνωστικό αντικείμενο της Μάθησης Μηχανών. Μέσα σε αυτό το πλαίσιο θα μελετηθούν οι αρχές που διέπουν τα διάφορα στάδια υλοποίησης ενός συστήματος εξόρυξης γνώσης από δεδομένα, με χρήση βασικών τεχνικών αλλά και μεθόδων αιχμής. Οι διαλέξεις του μαθήματος θα καλύπτουν την πλήρη διαδικασία ανάπτυξης συναρτήσεων απόφασης, συμπεριλαμβανομένου και αυτών για τη συλλογή δεδομένων, εξαγωγή χαρακτηριστικών και αξιολόγηση αποτελεσμάτων. Πέραν της κάλυψης του σχετικού θεωρητικού υποβάθρου, θα γίνει χρήση βιβλιοθηκών της γλώσσας Python, που χρησιμοποιούνται σε ερευνητικές και εμπορικές εφαρμογές, για την ανάπτυξη συστημάτων αυτόματης αναγνώρισης προτύπων, σε πεδία που αφορούν την ρομποτική και τα μηχατρονικά συστήματα. Η ύλη του μαθήματος περιλαμβάνει: αρχές Τεχνητών Νευρωνικών Δικτύων, βασικές αρχιτεκτονικές, βασικοί αλγόριθμοι εκπαίδευσης, εκπαίδευση πολύστρωματικών νευρωνικών δικτύων, νευρωνικά δίκτυα με ανάδραση (Recurrent), δυναμικά συστήματα και νευρωνικός έλεγχος, αναγνώριση συστημάτων, αναπαράσταση δεδομένων, κανονικοποίηση, επιλογή δεδομένων για εκπαίδευση και δοκιμή. Θέματα αναγνώρισης προτύπων, μάθηση με επίβλεψη/χωρίς επίβλεψη, ενισχυτική μάθηση. Ταξινόμηση, παλινδρόμηση, ομαδοποίηση και δένδρα απόφασης. Μάθηση με απομνημόνευση, μηχανές διανυσμάτων στήριξης.
Εισαγωγή στους αλγορίθμους βελτιστοποίησης σμήνους (Particle Swarm Optimization PSO). Βασικός αλγόριθμος βελτιστοποίησης σμήνους σωματιδίων καθολικά βέλτιστης λύσης, βελτιστοποίηση τοπικά βέλτιστης λύσης, βελτιστοποίηση με αποκοπή ταχύτητας, βελτιστοποίηση υπό περιορισμούς. Εφαρμογές PSO στη ρομποτική και τα συστήματα παραγωγής. Υπολογιστικά εργαλεία ανοιχτού κώδικα σε Python, για την δημιουργία πλήρων συστημάτων μηχανικής μάθησης (Scikit-Learn, Tensorflow). Εφαρμογές μεθόδων μάθησης μηχανών σε συστήματα ρομποτικής και μηχανικής.
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής θα είναι σε θέση να:
Έχοντας υπόψη τα παραπάνω, το παρόν μάθημα στοχεύει στην εισαγωγή των φοιτητών στο γνωστικό αντικείμενο της Μάθησης Μηχανών. Μέσα σε αυτό το πλαίσιο θα μελετηθούν οι αρχές που διέπουν τα διάφορα στάδια υλοποίησης ενός συστήματος εξόρυξης γνώσης από δεδομένα, με χρήση βασικών τεχνικών αλλά και μεθόδων αιχμής. Οι διαλέξεις του μαθήματος θα καλύπτουν την πλήρη διαδικασία ανάπτυξης συναρτήσεων απόφασης, συμπεριλαμβανομένου και αυτών για τη συλλογή δεδομένων, εξαγωγή χαρακτηριστικών και αξιολόγηση αποτελεσμάτων. Πέραν της κάλυψης του σχετικού θεωρητικού υποβάθρου, θα γίνει χρήση βιβλιοθηκών της γλώσσας Python, που χρησιμοποιούνται σε ερευνητικές και εμπορικές εφαρμογές, για την ανάπτυξη συστημάτων αυτόματης αναγνώρισης προτύπων, σε πεδία που αφορούν την ρομποτική και τα μηχατρονικά συστήματα. Η ύλη του μαθήματος περιλαμβάνει: αρχές Τεχνητών Νευρωνικών Δικτύων, βασικές αρχιτεκτονικές, βασικοί αλγόριθμοι εκπαίδευσης, εκπαίδευση πολύστρωματικών νευρωνικών δικτύων, νευρωνικά δίκτυα με ανάδραση (Recurrent), δυναμικά συστήματα και νευρωνικός έλεγχος, αναγνώριση συστημάτων, αναπαράσταση δεδομένων, κανονικοποίηση, επιλογή δεδομένων για εκπαίδευση και δοκιμή. Θέματα αναγνώρισης προτύπων, μάθηση με επίβλεψη/χωρίς επίβλεψη, ενισχυτική μάθηση. Ταξινόμηση, παλινδρόμηση, ομαδοποίηση και δένδρα απόφασης. Μάθηση με απομνημόνευση, μηχανές διανυσμάτων στήριξης.
Εισαγωγή στους αλγορίθμους βελτιστοποίησης σμήνους (Particle Swarm Optimization PSO). Βασικός αλγόριθμος βελτιστοποίησης σμήνους σωματιδίων καθολικά βέλτιστης λύσης, βελτιστοποίηση τοπικά βέλτιστης λύσης, βελτιστοποίηση με αποκοπή ταχύτητας, βελτιστοποίηση υπό περιορισμούς. Εφαρμογές PSO στη ρομποτική και τα συστήματα παραγωγής. Υπολογιστικά εργαλεία ανοιχτού κώδικα σε Python, για την δημιουργία πλήρων συστημάτων μηχανικής μάθησης (Scikit-Learn, Tensorflow). Εφαρμογές μεθόδων μάθησης μηχανών σε συστήματα ρομποτικής και μηχανικής.
Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής θα είναι σε θέση να:
- γνωρίζει τις βασικές έννοιες και εφαρμογές της μάθησης μηχανών,
- γνωρίζει τα πλεονεκτήματα και μειονεκτήματα ευρέος χρησιμοποιούμενων αλγορίθμων μάθησης μηχανών.
- σχεδιάζει βάσεις δεδομένων και να εξάγει σύνολα διανυσμάτων εκπαίδευσης/αξιολόγησης για την αξιόπιστη εξόρυξη πληροφορίας,
- μπορεί να εφαρμόσει προχωρημένες μεθόδους και διαδικασίες για την αξιολόγηση και βέλτιστη επιλογή των παραμέτρων εκπαίδευσης,
- έχει εξοικείωση με δημοφιλή υπολογιστικά προγραμματιστικά πακέτα μάθησης μηχανών σε γλώσσα Python.
- χρησιμοποιεί τα εκπαιδευμένα μοντέλα σε υπολογιστές κάρτας (single board computers).
Απαιτούμενες γνώσεις: Πληροφορική, Πληροφορική για Μηχανικούς, Προχωρημένος Προγραμματισμός.