Μηχανική Μάθηση

Κωδικός Μαθήματος:

ΝΜΒ.904(ε1)

Εξάμηνο:

Προπτυχιακό Πρόγραμμα Σπουδών

Κατηγορία:

ΜΕΥ

Ώρες:

2

Μονάδες ECTS:

4

Σύνδεσμος στο eClass:

https://eclass.uniwa.gr/courses/222/


Καθηγητές Μαθήματος

Διονύσης Κάβουρας

Περίγραμμα

ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ  Ειδικού Υποβάθρου
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ: ΝΜΒ.710(ε) – Επιστήμη Δεδομένων στην Ιατρική και τη Βιολογία
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ: ΕΛΛΗΝΙΚΑ & ΑΓΓΛΙΚΑ
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS  ΝΑΙ
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL) https://bme.uniwa.gr/course/machine-learning/
       
(2)    ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ      
Μαθησιακά Αποτελέσματα
Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.
Μετά το τέλος του μαθήματος οι φοιτητές θα αποκτήσουν εξειδικευμένες γνώσεις αναφορικά με τη κατανόηση των βασικών και καινοτόμων τεχνικών που χρησιμοποιούνται στα συστήματα μηχανικής μάθησης και τις εφαρμογές τους στην ιατρική και τη βιολογία.
Γενικές Ικανότητες
Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.
• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
• Προσαρμογή σε νέες καταστάσεις
• Λήψη αποφάσεων
• Αυτόνομη εργασία 
• Ομαδική εργασία
• Εργασία σε διεθνές περιβάλλον
• Εργασία σε διεπιστημονικό περιβάλλον.
• Παράγωγή νέων ερευνητικών και καινοτόμων ιδεών.
• Μπορεί να διαχειρίζεται και να μετασχηματίζει σύνθετα και απρόβλεπτα περιβάλλοντα εργασίας που απαιτούν νέες στρατηγικές προσεγγίσεις.
       
(3)    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ      
• Εισαγωγή, τι είναι μηχανική μάθηση, γιατί χρειαζόμαστε τη μηχανική μάθηση, είδη μάθησης και σχέση με άλλα παρόμοια επιστημονικά πεδία, στατιστική μάθηση, εποπτευόμενη και μη εποπτευόμενη μάθηση
• Γραμμικά μοντέλα πρόβλεψης (π.χ. linear and logistic regression), boosting, bagging, βελτιστοποίηση
• Επιλογή μοντέλων και αξιολόγηση (π.χ. hold out, k-fold cross validation, bootstrap)
• Σύνοψη ταξινομητών (Νευρωνικά Δίκτυα, Μηχανές Διανυσμάτων Υποστήριξης (SVM))
• Δένδρα απόφασης, Deep learning, Monte carlo, Δίκτυα πεποίθησης, Μοντέλα γράφων, Γενετικοί αλγόριθμοι, μοντέλα πολλαπλών κατηγοριών, ασαφή και υβριδικά συστήματα, παράλληλες Αρχιτεκτονικές Υπολογισμού για Μηχανική Μάθηση
• Σχεδιασμός συστημάτων μηχανικής μάθησης
• Εφαρμογές συστημάτων μηχανικής μάθησης (μετάφραση, υποβοήθηση, αναγνώριση φωνής, μοντέλα πρόβλεψης, προσωποποιημένη διάγνωση και σχεδιασμός θεραπείας, συστήματα για βελτίωση ποιότητας εικόνας, συστήματα παρακολούθησης σε πραγματικό χρόνο, συστήματα αυτοματισμών, εφαρμογές στην μοριακή βιολογία, DNA sequencing, ευφυή συστήματα στην βιοπληροφορική, π.χ. data mining and management)
       
(4) ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ    
ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.
Πρόσωπο με πρόσωπο στην πανεπιστημιακή αίθουσα.
ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές
Ηλεκτρονικές Παρουσιάσεις στη Διδασκαλία.
Χρήση της ηλεκτρονικής πλατφόρμας eClass του Τμήματος στη Διδασκαλία και στην Επικοινωνία με τους φοιτητές.
ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ Δραστηριότητα Φόρτος Εργασίας Εξαμήνου
Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας.
Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης σύμφωνα με τις αρχές του ECTS
Διαλέξεις (2×13) 26
   
Αυτοτελής μελέτη 94
   
   
   
   
Σύνολο Μαθήματος  120

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Περιγραφή της διαδικασίας αξιολόγησης

Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

Γλώσσα αξιολόγησης: Ελληνικά.
Μέθοδος αξιολόγησης:
Θεωρία (100%): Τελική αξιολόγηση με ερωτήσεις σύντομης απάντησης και επίλυση προβλημάτων.
       
(5) ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ      
• Theodoridis, Machine Learning: A Bayesian and Optimization Perspective, 2015
• Bishop, Christopher M., Pattern recognition and machine learning, 2006
• Russell S., Norvig P., Τεχνητή νοημοσύνη : μια σύγχρονη προσέγγιση, 2005
• Theodoridis, Pattern Recognition, 4th edition, 2008
• Gonzalez, R.C., R.E. Woods, Ψηφιακή Επεξεργασία Εικόνας, 4η έκδοση, 2018