Παρουσίαση/Προβολή

Βαθμολογία

Τελικός βαθμός = 0.5 × εργαστήριο + 0.5 × θεωρία. Εφόσον πληρούνται (όλα) τα ακόλουθα τρία (3) κριτήρια:

1. Βαθμός Θεωρίας > 4.0 ΚΑΙ
2. Βαθμός εργαστηρίου > 4.0 ΚΑΙ
3. Έχετε παραδώσει και δυο (2) εργαστηριακές ασκήσεις

Διευκρινήσεις:

• Οι βαθμοί σας (εργαστήριο ή/και θεωρία) διατηρούνται για το τρέχον ακαδημαϊκό έτος. Ισχύουν και για τις εμβόλιμες εξεταστικές στο τρέχον έτος.
• Φοιτητές παλαιότερων ετών θα εξεταστούν εκ νέου τόσο σε θεωρία όσο και εργαστήριο.

Δημιουργία και Λειτουργία Ομάδων για Εργασίες

Οι εργαστηριακές ασκήσεις πραγματοποιούνται σε ομάδες από 1 έως 4 φοιτητές/τριες. Σημειώνεται ότι οι ομάδες πρέπει να είναι οι ίδιες και στις δύο εργασίες, δηλαδή δεν επιτρέπεται αλλαγή μελών μεταξύ των εργασίων.

Η υποβολή των εργασιών γίνεται μέσω της πλατφόρμας Open eClass, στην αντίστοιχη καρτέλα. Η υποβολή της εργασίας πραγματοποιείται από ένα (1) μέλος της ομάδας (δεν έχει σημασία ποιος/ποια), ενώ είναι υποχρεωτικό να εμφανίζονται καθαρά στο εξώφυλλο της εργασίας τα ονόματα και οι αριθμοί μητρώου όλων των μελών της ομάδας.

Δεν απαιτείται δήλωση της ομάδας μέσω email, καθώς η εργασία θα περιλαμβάνει τα πλήρη στοιχεία των μελών.

Έκδοση υπηρεσιακού σημειώματος, για συμμετοχή σε εξετάσεις

"Σχετικά με την έκδοση Υπηρεσιακού Σημειώματος Συμμετοχής σε Εξετάσεις", σας ενημερώνουμε ότι:

Θα χρειαστεί οι ίδιοι να το κατεβάσετε από το https://www.uom.gr/dai/diadikasies-entypa (ΓΕΝΙΚΑ -> «Υπηρεσιακό Σημείωμα Συμμετοχής σε Εξετάσεις»).
Πρεπει να συμπληρώσετε τα στοιχεία σας καθώς και αυτά του μαθήματος.

Κατόπιν να το στείλετε για ψηφιακή υπογραφή στον καθηγητή του μαθήματος αναγράφοντας στο «θέμα» του e-mail: «Έκδοση Υπηρεσιακού Σημειώματος Συμμετοχής σε Εξετάσεις» . Στη συνέχεια θα το προωθήσει ο ίδιος στη Γραμματεία για τα περεταίρω και θα σας αποσταλεί από τη Γραμματεία.

Εξέταση μαθήματος

1.Οι εξετάσεις θα γίνουν με κλειστές σημειώσεις.

2.Δεν επιτρέπεται η χρήση οποιουδήποτε ηλεκτρονικού μέσου, συμπεριλαμβανομένου των laptop, tablet, κινητών τηλεφώνων ή αριθμομηχανών.

3.Τα θέματα είναι Πολλαπλής επιλογής – μονής απάντησης

4.Υπάρχει αρνητική βαθμολογία, αν απαντήσετε λάθος

5.Δεν δίνονται διευκρινήσεις στα θέματα των ερωτήσεων. Εφόσον κάτι δεν διευκρινίζεται, έχετε το δικαίωμα να κάνετε όποια υπόθεση σας βολεύει, με την προϋπόθεση ότι ευσταθεί επιστημονικά.

Προσοχή! Δικαίωμα συμμετοχής στην εξέταση έχουν μόνο όσοι/όσες έχουν παραδώσει και δύο (2) εργαστηριακές ασκήσεις [Ισχύει και για φοιτητές παλαιότερων ετών], για το τρέχον ακαδημαϊκό έτος.

Εργαστήρια Μαθήματος

Τα εργαστήρια θα διεξάγονται για 1 ώρα, κάθε δεύτερη εβδομάδα, ανάλογα με την ομάδα στην οποία έχετε ενταχθεί.

Η παρακολούθηση είναι προαιρετική, ωστόσο η υποβολή των ασκήσεων είναι υποχρεωτική.

Κατά τη διάρκεια των εργαστηρίων θα χρησιμοποιηθεί η γλώσσα προγραμματισμού Python και το Google Colab, προσφέροντας την ευκαιρία να εξασκηθείτε σε πρακτικές εφαρμογές.

Εφόσον επιλέξετε να παρακολουθήσετε το εργαστήριο πρέπει να γραφτείτε στην αντίστοιχη ομάδα στο eclass.

Η δήλωση ομάδας πραγματοποιείται μέσω της καρτέλας "Ομάδες χρηστών."

Προσοχή! Η δήλωση είναι δεσμευτική: μόλις επιλέξετε ομάδα, δεν επιτρέπεται η αλλαγή, ακόμα και αν υπάρχουν διαθέσιμες θέσεις σε άλλες ομάδες.

Για κάθε ομάδα υπάρχει διαθέσιμη περιγραφή που αναφέρει τις ημερομηνίες κατά τις οποίες θα διεξαχθούν τα εργαστήρια.

Η αξιολόγησή σας θα γίνει μέσα από την υποβολή δύο (2) ομαδικών εργασιών με θεματικές ενότητες a) classification και b) clustering.

Προσοχή! Η υποβολή και των δύο (2) εργαστηριακών ασκήσεων είναι υποχρεωτική, ανεξαρτήτως εάν παρακολουθείτε το εργαστήριο ή όχι.  [Ισχύει και για φοιτητές παλαιότερων ετών], για το τρέχον ακαδημαϊκό έτος.

Οδηγίες για Αναγνώριση Μαθήματος στο Πλαίσιο του Προγράμματος Erasmus

Για να εξασφαλίσετε την αναγνώριση ενός μαθήματος που σκοπεύετε να παρακολουθήσετε στο εξωτερικό μέσω του προγράμματος Erasmus, απαιτείται αντιστοιχία της διδαχθείσας ύλης με το μάθημα "Μηχανική Μάθηση" σε ποσοστό μεγαλύτερο από 80%.

Οι φοιτητές/φοιτήτριες πρέπει να ακολουθήσουν τα εξής βήματα πριν την παρακολούθηση:

1. Εύρεση περιγράμματος (syllabus): Αναζητήστε το περίγραμμα του μαθήματος που σκοπεύετε να παρακολουθήσετε στο εξωτερικό.
2. Σύγκριση διδακτέας ύλης: Συγκρίνετε τη διδακτέα ύλη του μαθήματος στο εξωτερικό με εκείνη του μαθήματος "Μηχανική Μάθηση".
3. Προετοιμασία έκθεσης: Συντάξτε μια σύντομη έκθεση (μέχρι μία σελίδα) που να τεκμηριώνει την αντιστοίχιση. Περιγράψτε αναλυτικά πώς καλύπτεται το 80% της ύλης και αναφέρετε βασικά σημεία του περιγράμματος του μαθήματος στο εξωτερικό.
4. Παροχή συνδέσμων: Συμπεριλάβετε τους επίσημους συνδέσμους του μαθήματος στο εξωτερικό για τυχόν έλεγχο.
5. Παραπομπή στο περίγραμμα: Χρησιμοποιήστε τη διάρθρωση και τη διδακτέα ύλη που είναι διαθέσιμη στην ενότητα "Περίγραμμα -> Περιεχόμενο μαθήματος" για τη σύγκριση.

Η τελική έγκριση για την αναγνώριση θα δοθεί πριν την παρακολούθηση, βάσει της πληρότητας και της τεκμηρίωσης που θα προκύψει από τη σύγκριση.

Περιεχόμενο μαθήματος

 Lesson 1: Introduction to Machine Learning

• Basic mathematical concepts in ML
• Terminologies and key ML concepts
• Overview of ML and its applications

 Lesson 2: Classification

• k-Nearest Neighbors (k-NN)
• Decision Trees and Random Forests
• Support Vector Machines (SVMs)
• Logistic Regression

 Lesson 3: Regression

• Simple and multiple linear regression
• Polynomial regression
• Logistic regression (for binary classification)
• Regularization techniques (Ridge, Lasso)

 Lesson 4: Clustering

• Density-based clustering (DBSCAN, OPTICS)
• Hierarchical clustering
• Particional clustering
• Graph-based clustering

 Lesson 5: Performance Assessment

• Accuracy, precision, recall, F1-score, ROC-AUC
• RMSE, MAE, MAPE and other scores
• Cross-validation techniques

 Lesson 6: Artificial Neural Networks (Overview)

• Perceptron and multilayer perceptron
• Activation functions and backpropagation
• Training neural networks

 Lesson 7: Dimensionality Reduction

• Principal Component and Linear Discriminant Analysis 
• Locally Linear Embedding 
• t-distributed Stochastic Neighbor Embedding 

 Lesson 8: Hyperparameter Optimization and Statistical Testing

• Hyperparameters vs. model parameters
• Grid search and Random search
• Bayesian optimization
• Statistical testing for model performance comparison

 Lesson 9: Time Series Analysis

• Time series data representation and preprocessing
• ARIMA models
• Forecasting with machine learning models

 Lesson 10: Feature Selection and Explainability

• LIME and SHAP for model interpretability
• Importance of explainability in sensitive domains
• Strategies for explaining black-box models

 Lesson 11: Reinforcement Learning

• Markov Decision Processes (MDPs)
• Q-Learning and Policy Gradient methods
• Reinforcement learning algorithms

 Lesson 12: Semi-Supervised Learning

• Label propagation methods
• Self-training and co-training techniques
• Handling limited labeled data

 Lesson 13: Summary and Future Directions

• Recap of key concepts from the course
• Discussion of emerging trends in ML
• Course wrap-up and project guidance

Πτυχιακή Εργασία

Η πτυχιακή εργασία εξετάζεται κατά τη διάρκεια της εξεταστικής περιόδου, ενώπιον τριμελούς επιτροπής. Η εξέταση πραγματοποιείται online, μέσω Google Meet.

Η παρουσίαση της εργασίας πρέπει να ολοκληρωθεί σε λιγότερο από 20 λεπτά. Ακολουθούν ερωτήσεις από την επιτροπή σχετικά με το αντικείμενο της εργασίας, τη μεθοδολογία και τα αποτελέσματα.

Το τελικό κείμενο της πτυχιακής πρέπει να παραδοθεί στον επιβλέποντα τουλάχιστον 10 ημέρες πριν από την έναρξη της εξεταστικής περιόδου, ώστε να υπάρχει επαρκής χρόνος για σχόλια και διορθώσεις.

Η υποβολή γίνεται μέσω της πλατφόρμας Open eClass, στον αντίστοιχο σύνδεσμο.

Ο/η φοιτητής/τρια οφείλει:

1. Να εφαρμόσει όλες τις καλές πρακτικές συγγραφής και τεκμηρίωσης, όπως περιγράφονται στον σχετικό οδηγό που βρίσκεται διαθέσιμος στο eClass.

2. Να ενσωματώσει όλες τις παρατηρήσεις και αλλαγές που θα προτείνει ο επιβλέπων καθηγητής, πριν την τελική υποβολή.

Παρουσίαση πτυχιακής εργασίας

Η παρουσίαση της πτυχιακής πρέπει να είναι σαφής, σύντομη και καλά οργανωμένη. Ειδικότερα:

1. Οι διαφάνειες πρέπει να είναι αριθμημένες.

2. Περιορίστε τη χρήση μεγάλων κειμένων. Προτιμήστε λίγες, καθαρές προτάσεις ή σημεία (bullet points).

3. Χρησιμοποιήστε εικόνες, σχήματα και διαγράμματα όπου είναι δυνατόν – μια εικόνα εξηγεί περισσότερο από μια παράγραφο.

4. Δείξτε ενδεικτικά αποτελέσματα, π.χ. γραφήματα, πίνακες, κ.λπ.

5. Αποφύγετε το υπερβολικό animation και τις έντονες χρωματικές αντιθέσεις.

6. Η πρώτη διαφάνεια πρέπει να περιέχει:

• Τίτλο εργασίας
• Ονοματεπώνυμο
• Ημερομηνία παρουσίασης

7. Η τελευταία διαφάνεια να είναι αφιερωμένη σε συμπεράσματα και μελλοντική εργασία.

8. Να έχετε κάνει πρόβα της παρουσίασης και να τηρείτε το χρονικό όριο.

9. Είναι χρήσιμο να έχετε σημειώσεις για κάθε διαφάνεια, αλλά μη διαβάζετε το περιεχόμενο κατά λέξη.