ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΚΜΑΘΗΣΗ ΜΗΧΑΝΗΣ (Machine Learning) (GEO9040)
ΓΕΩΡΓΙΟΣ ΣΦΗΚΑΣ
Αντικείμενο του μαθήματος αποτελεί η εισαγωγή στην θεωρία της Εκμάθησης Μηχανής (Machine Learning). Στόχος είναι η γνωριμία και η εξοικείωση των φοιτητών με μοντέλα, τεχνικές και αλγόριθμους που μπορούν να “μαθαίνουν” από τα δεδομένα και στην συνέχεια να κάνουν προβλέψεις, εκτιμήσεις και να λαμβάνουν αποφάσεις σχετικά με αυτά.
Η έρευνα στο πεδίο της Εκμάθησης Μηχανής ιδιαίτερα τα τελευταία χρόνια έχει επιδείξει αξιοσημείωτες επιδόσεις στην επίλυση πολυσύνθετων προβλημάτων σε ένα ευρύ φάσμα εφαρμογών, τόσο που οι όροι Εκμάθηση Μηχανής (Machine Learning) και Τεχνητή Νοημοσύνη (Artificial Intelligence) να θεωρούνται πλέον σχεδόν ταυτόσημοι. Σημαντικό μέρος αυτών των εφαρμογών άπτεται των αντικειμένων και των αναγκών του σύγχρονου τοπογράφου μηχανικού.
Στο μάθημά μας, έμφαση θα δοθεί σε μοντέλα και μεθόδους που είναι η βάση της τρέχουσας τεχνολογικής αιχμής και βασίζονται σε βαθιά νευρωνικά δίκτυα και βαθιά μάθηση (Deep Learning).
Η ύλη που προβλέπεται να καλυφθεί από το προτεινόμενο μάθημα περιλαμβάνει τα παρακάτω αντικείμενα:
- Επιβλεπόμενη και μη επιβλεπόμενη μάθηση
- "Ρηχά" και "Βαθιά" Νευρωνικά Δίκτυα
- Συναρτήσεις κόστους
- Ταίριασμα μοντέλων
- Τεχνικές βελτιστοποίησης βασισμένες σε παραγώγους. Ο Gradient Descent και άλλες τεχνικές
- Τρόποι αποτίμησης του αποτελέσματος
- Συνελικτικά δίκτυα
- Μετασχηματιστές (Transformers)
- Ανταγωνιστικά δίκτυα (Generative adversarial networks)
- Εφαρμογές στην Φωτογραμμετρία, Όραση και Γραφικά υπολογιστών
Αντικείμενο του μαθήματος αποτελεί η εισαγωγή στην θεωρία της Εκμάθησης Μηχανής (Machine Learning). Στόχος είναι η γνωριμία και η εξοικείωση των φοιτητών με μοντέλα, τεχνικές και αλγόριθμους που μπορούν να “μαθαίνουν” από τα δεδομένα και στην συνέχεια να κάνουν προβλέψεις, εκτιμήσεις και να λαμβάνουν αποφάσεις σχετικά με αυτά.
Η έρευνα στο πεδίο της Εκμάθησης Μηχανής ιδιαίτερα τα τελευταία χρόνια έχει επιδείξει αξιοσημείωτες επιδόσεις στην επίλυση πολυσύνθετων προβλημάτων σε ένα ευρύ φάσμα εφαρμογών, τόσο που οι όροι Εκμάθηση Μηχανής (Machine Learning) και Τεχνητή Νοημοσύνη (Artificial Intelligence) να θεωρούνται πλέον σχεδόν ταυτόσημοι. Σημαντικό μέρος αυτών των εφαρμογών άπτεται των αντικειμένων και των αναγκών του σύγχρονου τοπογράφου μηχανικού.
Στο μάθημά μας, έμφαση θα δοθεί σε μοντέλα και μεθόδους που είναι η βάση της τρέχουσας τεχνολογικής αιχμής και βασίζονται σε βαθιά νευρωνικά δίκτυα και βαθιά μάθηση (Deep Learning).
Η ύλη που προβλέπεται να καλυφθεί από το προτεινόμενο μάθη
Αντικείμενο του μαθήματος αποτελεί η εισαγωγή στην θεωρία της Εκμάθησης Μηχανής (Machine Learning). Στόχος είναι η γνωριμία και η εξοικείωση των φοιτητών με μοντέλα, τεχνικές και αλγόριθμους που μπορούν να “μαθαίνουν” από τα δεδομένα και στην συνέχεια να κάνουν προβλέψεις, εκτιμήσεις και να λαμβάνουν αποφάσεις σχετικά με αυτά.
Η έρευνα στο πεδίο της Εκμάθησης Μηχανής ιδιαίτερα τα τελευταία χρόνια έχει επιδείξει αξιοσημείωτες επιδόσεις στην επίλυση πολυσύνθετων προβλημάτων σε ένα ευρύ φάσμα εφαρμογών, τόσο που οι όροι Εκμάθηση Μηχανής (Machine Learning) και Τεχνητή Νοημοσύνη (Artificial Intelligence) να θεωρούνται πλέον σχεδόν ταυτόσημοι. Σημαντικό μέρος αυτών των εφαρμογών άπτεται των αντικειμένων και των αναγκών του σύγχρονου τοπογράφου μηχανικού.
Στο μάθημά μας, έμφαση θα δοθεί σε μοντέλα και μεθόδους που είναι η βάση της τρέχουσας τεχνολογικής αιχμής και βασίζονται σε βαθιά νευρωνικά δίκτυα και βαθιά μάθηση (Deep Learning).
Η ύλη που προβλέπεται να καλυφθεί από το προτεινόμενο μάθη
