Παρουσίαση/Προβολή

Εικόνα επιλογής

ΜΕΘΟΔΟΙ ΚΑΙ ΕΡΓΑΛΕΙΑ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ

(SD0203) -  ΕΥΤΥΧΗΣ ΠΡΩΤΟΠΑΠΑΔΑΚΗΣ, ΗΛΙΑΣ ΣΑΚΕΛΛΑΡΙΟΥ

Περιγραφή Μαθήματος

Στόχος του μαθήματος είναι οι φοιτητές/τριες να αποκτήσουν το απαραίτητο θεωρητικό υπόβαθρο μεταπτυχιακού επιπέδου στις παρακάτω γνωστικές περιοχές:

  • Προβλήματα ικανοποίησης περιορισμών
  • Βασικοί αλγόριθμοι μηχανικής μάθησης.
  • Σχεδίαση και εκπαίδευση νευρωνικών δικτύων.
  • Βασικές εργασίες επεξεργασίας φυσικής γλώσσας.

Ημερομηνία δημιουργίας

Τρίτη 29 Νοεμβρίου 2022

Σελίδα μαθήματος
  • Περίγραμμα

    Διδάσκοντες

    Γιάννης Ρεφανίδης

    Ηλίας Σακελλαρίου

    Νίκος Σαμαράς

    Περιεχόμενο μαθήματος

    Προβλήματα ικανοποίησης περιορισμών: Αλγόριθμοι διήθησης συνέπειας τόξου και γενικευμένης συνέπειας τόξου. Καθολικοί περιορισμοί. Συνδυασμός αναζήτησης και διήθησης περιορισμών. Αναζήτηση βέλτιστης λύσης. MiniZinc. Αριθμητικοί περιορισμοί και περιορισμοί συνόλων. Καθολικοί περιορισμοί προβλημάτων χρονοπρογραμματισμού (disjunctive, cumulative), προβλήματα εναλλακτικών πόρων (alternative resources). Κατάρτιση βαρδιών και ο περιορισμός regular.

    Βασικές και προχωρημένες έννοιες μηχανικής μάθησης. Προβλήματα ταξινόμησης και παλινδρόμησης. Γραμμική παλινδρόμηση. Λογιστική παλινδρόμηση. Ανάλυση κύριων συνιστωσών. Συσταδοποίηση, μέθοδοι κοντινότερων γειτόνων, μετρικές. 

    Νευρωνικά Δίκτυα: Δίκτυα εμπρόσθιας τροφοδότησης. Επαναληπτικά δίκτυα. Συνελικτικά δίκτυα. Αρχιτεκτονικές encoder/decoder. Αρχιτεκτονική transformer. Προεκπαιδευμένα δίκτυα / μεταφορά μάθησης. Μετρικές σφάλματος. 

    Επεξεργασία Φυσικής Γλώσσας: Κανονικές εκφράσεις. Εξαγωγή δομημένης πληροφορίας από ελεύθερο κείμενο. Ν-γράμματα. Γλωσσικά μοντέλα. Διανυσματικές αναπαραστάσεις λέξεων και κειμένων. Γραμματικές, συντακτική ανάλυση.

    Μαθησιακοί στόχοι

    Στόχος του μαθήματος είναι οι φοιτητές/ήτριες να αποκτήσουν το απαραίτητο θεωρητικό υπόβαθρο μεταπτυχιακού επιπέδου στις παρακάτω γνωστικές περιοχές:

    • Προβλήματα ικανοποίησης περιορισμών
    • Βασικοί αλγόριθμοι μηχανικής μάθησης.
    • Σχεδίαση και εκπαίδευση νευρωνικών δικτύων. 
    • Βασικές εργασίες επεξεργασίας φυσικής γλώσσας.

    Προαπαιτούμενα

    Βασικές έννοιες Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης προπτυχιακού επιπέδου

    Μέθοδοι αξιολόγησης

    • 50% εργασίες
    • 50% γραπτή τελική εξέταση

    Βιβλιογραφία

    • Deep Learning (Adaptive Computation and Machine Learning series) (2016), by Ian Goodfellow, Yoshua Bengio and Aaron Courville, MIT Press.
    • Speech and language processing (2nd edition, 2008), by Daniel Jurafsky & James H. Martin, Prentice Hall
    • Natural Language Processing with Python – Analyzing Text with the Natural Language Toolkit. Steven Bird, Ewan Klein, and Edward Loper. http://www.nltk.org/book/
    • Principles of Constraint Programming 1st Edition, 1 edition (December 17, 2009), by Krzysztof Apt,  Cambridge University Press.

    Μέθοδοι διδασκαλίας

    Διαλέξεις