Machine Learning

Εισαγωγή στην περιοχή της μηχανικής μάθησης. Επιβλεπόμενη μάθηση. Μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, διαδικασίες μάθησης, δυναμική συμπεριφορά, σύγκλιση και ευστάθεια. Δίκτυα πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος (πολυστρωματικό perceptron, αλγόριθμος backpropagation). Πρόβλεψη: γραμμική και λογιστική παλινδρόμηση. Μη επιβλεπόμενη μάθηση: διαιρετικές και ιεραρχικές μέθοδοι ομαδοποίησης, μεγιστοποίηση αναμονής (ΕΜ) και μοντέλα Γκαουσιανών μειγμάτων (GMM). Συσχετιστικά δίκτυα (δίκτυα Hopfield, BAM), δίκτυα ανταγωνιστικής μάθησης (χάρτες Kohonen, μοντέλα ART), τοπικοί κανόνες μάθησης (δίκτυα RBF). Μηχανές διανυσμάτων υποστήριξης (Support Vector Machines). Μέθοδοι συνόλων ταξινομητών (ensemble). Γενετικοί αλγόριθμοι, εξελικτικός υπολογισμός και αλγόριθμοι εμπνευσμένοι από τη βιολογία. Ενισχυτική μάθηση. Ασαφή συστήματα. Εφαρμογές (αναγνώριση προτύπων, επεξεργασία σήματος/εικόνας, έλεγχος και ρομποτική, διάγνωση, πρόβλεψη, βελτιστοποίηση).