Αναγνώριση Προτύπων και Μηχανική Μάθηση

Αναγνώριση Προτύπων και Μηχανική Μάθηση

Κωδικός:
Εξάμηνο:
Κατηγορία:
Ροή:

ICE-7103
9ο
Επιλογής Υποχρεωτικό (ΕΥ)
Λογισμικού και Πληροφοριακών Συστημάτων

Ώρες:
Διδάσκοντες:

Σύνδεσμοι:

Περιγραφή

Εισαγωγή στην Αναγνώριση Προτύπων και τη Μηχανική Μάθηση. Μέθοδοι αναγνώρισης προτύπων. Μέθοδοι επιβλεπόμενης και μη επιβλεπόμενης μάθησης. Ταξινομητές Bayes και ταξινομητές Bayes ελάχιστου κόστους. Συναρτήσεις απόστασης. Ταξινόμηση με κριτήριο την μικρότερη απόσταση και τα Κ-κοντινότερα πρότυπα. Συσταδοποίηση. Ο αλγόριθμος Κ-means. Γραμμικές και μη γραμμικές συναρτήσεις απόφασης. Εκτίμηση της πυκνότητας πιθανότητας προτύπων. Παράθυρα Parzen. Μέθοδοι επιβλεπόμενης ταξινόμησης. Συναρτήσεις κόστους. Εξαγωγή και επιλογή χαρακτηριστικών, προβλήματα διαστασιμότητας και μείωση διαστάσεων (dimensionality reduction). Ανάλυση κύριων συνιστωσών (PCA), γραμμική διακριτική ανάλυση (LDA), ανάλυση σε ανεξάρτητες συνιστώσες (ICA). Μοντέλα μειγμάτων Γκαουσιανών (Gaussian Mixture Models). Ο αλγόριθμος EM (Expectation – Maximization). Αλυσίδες Markov και Κρυφά Μαρκοβιανά μοντέλα (Hidden Markov Models). Μηχανές Διανυσματικής Στήριξης (Support Vector Machines). Προχωρημένα θέματα αναγνώρισης προτύπων και μηχανικής μάθησης. Bagging, boosting, ensemble classifiers. Βαθιά μάθηση (deep learning). Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks) και παραλλαγές τους. Βαθιά αναδρομικά δίκτυα (deep Recurrent Neural Networks), Long Short-Term Memory networks. Deep Belief Networks. Stacked Autoencoders. Generative Adversarial Networks. Εφαρμογές στη συσταδοποίηση, ταξινόμηση και αναγνώριση γεγονότων σε διαφορετικούς τύπους δεδομένων (οπτικά, ηχητικά, χωρο-χρονικά, κ.α.) και σε διάφορους τομείς (π.χ. όραση υπολογιστών, τηλεπισκόπηση, ενέργεια, τηλεπικοινωνίες, βιοϊατρική).