Α’ Εξάμηνο
Υποχρεωτικό
Μηχανική Μάθηση για τη Βιομηχανία
Μαθησιακά Αποτελέσματα
1)
Κατανόηση βασικών τεχνικών μηχανικής μάθησης και της θεωρητικής τους βάσης
2)
Ανάλυση και κατανόηση αλγορίθμων Μηχανικής Μάθησης (ML)
3)
Υλοποίηση τεχνικών ML με κατάλληλα προγραμματιστικά εργαλεία (Python κ.ά.)
4)
Χρήση μετρικών αξιολόγησης (Precision, Recall, F1-score, ROC-AUC) για αποτίμηση μοντέλων
5)
Εφαρμογή ML για πρόβλεψη ζήτησης, ανίχνευση ανωμαλιών και προγνωστική συντήρηση
6)
Συνδυασμός τεχνικών ML για επίλυση προβλημάτων από διαφορετικές επιστημονικές περιοχές
7)
Κατανόηση της χρήσης τεχνικών ML στη βιομηχανική πράξη
8)
Εκπόνηση διεξοδικής βιβλιογραφικής αναζήτησης σε τεχνικές ML
Γενικές Ικανότητες
Προσαρμογή σε νέες καταστάσεις
Λήψη αποφάσεων
Αυτόνομη εργασία
Ομαδική εργασία
Περιεχόμενο Μαθήματος
1
2
3
4
5
6
7
8
9
10
11
12
13
Αξιολόγηση & Φόρτος Εργασίας
Βιβλιογραφία
Διαμαντάρας & Μπότσης
Κ. Διαμαντάρας
Christopher Bishop
Journal of Machine Learning Research
IEEE Trans. on Pattern Analysis & Machine Intelligence
IEEE Trans. on Neural Networks and Learning Systems
Expert Systems with Applications
Neurocomputing — Elsevier
Πληροφορίες Μαθήματος
Τρόπος Διεξαγωγής
Εξ αποστάσεως
e-class
Τεχνολογίες & Εργαλεία
Python
scikit-learn
TensorFlow
Keras
PyTorch
XGBoost
Random Forest
SVM
KNN