Μηχανική Μάθηση

Μηχανική Μάθηση

Οι Αλγόριθμοι Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης εμπλέκονται σε πληθώρα επιστημονικών και βιομηχανικών έργων, συμβάλλοντας στην επίλυση επιμέρους προβλημάτων, από τη μοντελοποίηση και ανάλυση δεδομένων έως την αναγνώριση προσώπων και τα αυτοοδηγούμενα οχήματα. Ανεξάρτητα από την πρακτική χρήση αλγορίθμων μηχανικής μάθησης, το βασικό τους πρόβλημα είναι η διαμόρφωση και εκπαίδευση ενός Τεχνητού Νευρωνικού Δικτύου, ένα μαθηματικό προσομοίωμα το οποίο μιμείται τη λειτουργία του ανθρώπινου εγκεφάλου. Τα νευρωνικά δίκτυα εισάγονται σε όλες σχεδόν τις περιπτώσεις στις οποίες διερευνάται η σχέση μεταξύ των ανεξάρτητων και εξαρτημένων μεταβλητών, ακόμη και όταν αυτή η σχέση είναι πολύ έντονα μη γραμμική και περίπλοκη, όπως σε προβλέψεις, παλινδρόμηση, μοντελοποίηση δεδομένων, σημαντικότητα μεταβλητών, προσομοίωση συναρτήσεων, μερικές διαφορικές εξισώσεις κλπ. Τα τελευταία χρόνια παρατηρείται έντονη  ενασχόληση ερευνητών και επαγγελματιών με τα νευρωνικά δίκτυα, διότι εφαρμόζονται με επιτυχία σε ένα ασυνήθιστα ευρύ φάσμα τομέων της επιστήμης και της τεχνολογίας. Η επιτυχία τους πηγάζει από την υποκείμενη θεωρία της ακριβούς προσέγγισης οποιασδήποτε συνεχούς συνάρτησης σε συμπαγή πεδία.Οι Αλγόριθμοι Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης εμπλέκονται σε πληθώρα επιστημονικών και βιομηχανικών έργων, συμβάλλοντας στην επίλυση επιμέρους προβλημάτων, από τη μοντελοποίηση και ανάλυση δεδομένων έως την αναγνώριση προσώπων και τα αυτοοδηγούμενα οχήματα. Ανεξάρτητα από την πρακτική χρήση αλγορίθμων μηχανικής μάθησης, το βασικό τους πρόβλημα είναι η διαμόρφωση και εκπαίδευση ενός Τεχνητού Νευρωνικού Δικτύου, ένα μαθηματικό προσομοίωμα το οποίο μιμείται τη λειτουργία του ανθρώπινου εγκεφάλου. Τα νευρωνικά δίκτυα εισάγονται σε όλες σχεδόν τις περιπτώσεις στις οποίες διερευνάται η σχέση μεταξύ των ανεξάρτητων και εξαρτημένων μεταβλητών, ακόμη και όταν αυτή η σχέση είναι πολύ έντονα μη γραμμική και περίπλοκη, όπως σε προβλέψεις, παλινδρόμηση, μοντελοποίηση δεδομένων, σημαντικότητα μεταβλητών, προσομοίωση συναρτήσεων, μερικές διαφορικές εξισώσεις κλπ. Τα τελευταία χρόνια παρατηρείται έντονη  ενασχόληση ερευνητών και επαγγελματιών με τα νευρωνικά δίκτυα, διότι εφαρμόζονται με επιτυχία σε ένα ασυνήθιστα ευρύ φάσμα τομέων της επιστήμης και της τεχνολογίας. Η επιτυχία τους πηγάζει από την υποκείμενη θεωρία της ακριβούς προσέγγισης οποιασδήποτε συνεχούς συνάρτησης σε συμπαγή πεδία.

Θεματικές ενότητες

Εποπτευόμενη Μάθηση: Βασικές αρχές προσέγγισης συναρτησεων. Μέθοδοι παρεμβολής.Μη γραμμική παλινδρόμηση.Λογιστική παλινδρόμηση.Νευρωνικά δίκτυα και γενικευμένες προσομοιώσεις.Αλγόριθμοι μάθησης.Δεδομένα μάθησης και ελέγχου. Υπερπροσέγγιση και υπερμάθηση  δικτύου.Σύνολα προσομοιωμάτων (διασταυρούμενη επικύρωση, random forests κλπ.). Προώθηση μεταβλητών προς τα εμπρός και προς τα πίσω και βηματικά μοντέλα.Ακτινοειδείς προσεγγίσεις συναρτήσεων. Αλγόριθμοι ταξινόμησης. η εποπτευόμενη μάθηση: Πολυδιάστατη κλιμάκωση, Ιεραρχικά δέντρα, Ομαδοποίηση (k-Μέσοι, σύνδεσμοι κ.λπ.).Οπτικοποίηση και χαρτογράφηση. Ποσοτικοποίηση της σημαντικότητος των χαρακτηριστικών. Μέθοδος Relieff. Βάρη σύνδεσης.Μερικές παράγωγοι. Ανάλυση ευαισθησίας. Διαταραξή μεταβλητών εισόδου. Relieff επιλογή χαρακτηριστικών.

Σε ποιους απευθύνεται

  • επαγγελματίες που εργάζονται σε αναλύσεις δεδομένων, προβλέψεις και συναφή θέματα
  • ερευνητές που επιθυμούν να αναλύσουν επιστημονικές βάσεις δεδομένων με σύγχρονες τεχνικές μηχανικής μάθησης
  • οποιοσδήποτε ενδιαφέρεται να κατανοήσει το θεωρητικό υπόβαθρο και την πρακτική εφαρμογή αλγορίθμων μηχανικής μάθησης.

Οφέλη σεμιναρίου

  • κατανόηση των θεμελιωδών παραδοχών της μηχανικής μάθησης
  • hands-on εφαρμογές, με βιομηχανικές και ακαδημαϊκές βάσεις δεδομένων
  • μετάβαση από ρητή στατιστική σε μη γραμμικά, γενικευμένα προσομοιώματα

Εισηγητής: Δρ. Νικόλαος Μπάκας

 

 

Email

noesys