Θεματικές ενότητες

Μεθοδολογία υλοποίησης προγράμματος

  • H εξ αποστάσεως ασύγχρονη διδασκαλία κρίνεται ως ενδεδειγμένη μεθοδολογία, καθώς οι εκπαιδευόμενοι αναμένεται να προέρχονται από διαφορετικές γεωγραφικές περιοχές, ενώ ταυτόχρονα δίνει τη δυνατότητα στους συμμετέχοντες να προσαρμόζουν τη μελέτη τους σύμφωνα με τις εξατομικευμένες τους ανάγκες.

  • Οι θεματικές ενότητες θα περιέχουν φυσική διδασκαλία με ασύγχρονη τηλεκπαίδευση μέσω εγγεγραμμένων video με τη μορφή webinar. Σε αυτά οι διδάσκοντες θα παρουσιάζουν, αναλύουν και εξηγούν επιλεγμένες έννοιες ή αντικείμενα.

  • Επιπλέον, θα παρέχεται πλούσιο υλικό με την μορφή κειμένων σε pdf, παρουσιάσεων ppt, βιβλιογραφία και ασκήσεις αυτοαξιολόγησης.

  • Όταν κρίνεται απαραίτητο θα υπάρχουν και εξ αποστάσεως σύγχρονα sessions στην πλατφόρμα Google Meet σε προκαθορισμένες ημερομηνίες. Στις περιπτώσεις αυτές, τα video θα αναρτώνται επίσης στην πλατφόρμα.

Θεματικές Ενότητες

Το πρόγραμμα είναι 4μήνης διάρκειας, 204 ωρών και απαρτίζεται από 8 θεματικές ενότητες:

  1. Εισαγωγή στην Τεχνητή Νοημοσύνη και στην Μηχανική Μάθηση.

  • Σε αυτήν την θεματική ενότητα θα παρουσιαστούν οι βασικοί στόχοι του προγράμματος (τι θα έχουν μάθει και τι θα μπορούν κάνουν πρακτικά οι σπουδαστές που θα το ολοκληρώσουν με επιτυχία).

  • Θα παρουσιαστούν οι βασικές αρχές της ΤΝ και της ΜΜ.

  • Τι καλείται «μάθηση» και πως διαφοροποιείται από την κλασσική προσέγγιση της Στατιστικής.

  • Θα γίνει εισαγωγή στις έννοιες Unsupervised Learning, Supervised Learning, Reinforced Learning

  1. Παρουσίαση – Εξοικείωση στην πλατφόρμα Anaconda – Python – Jupiter.

  • Σε αυτήν την θεματική ενότητα θα γίνει σύντομη παρουσίαση της πλατφόρμας προγραμματισμού Anaconda που θα χρησιμοποιήσουν στα πλαίσια του προγράμματος οι σπουδαστές.

  • Επίσης οι σπουδαστές θα έχουν την πρώτη τους επαφή με το Jupyter Notebook, στο οποίο θα εκτελούν τις εντολές της γλώσσας Python.

  • Θα γίνει μια πρώτη εισαγωγή στον προγραμματισμό με την γλώσσα Python (σε αυτό το σημείο ο στόχος δεν είναι να μάθουν οι ενδιαφερόμενοι προγραμματισμό, αλλά να μπορούν να εφαρμόσουν συγκεκριμένες συναρτήσεις (έτοιμα scripts) που αφορούν την Τεχνητή Νοημοσύνη και την Μηχανική Μάθηση)

  1. Unsupervised Learning

  • Σε αυτήν την θεματική ενότητα θα παρουσιάσουμε την Unsupervised Learning.

  • Θα δείξουμε ποια προβλήματα μπορούν να αντιμετωπισθούν με Unsupervised Learning.

  • Θα παρουσιάσουμε τις βασικές εφαρμογές και μεθοδολογίες της επικεντρώνοντας στις μεθόδους PCA και K-means.

  • Θα γίνει πρακτική εφαρμογή των μεθόδων σε πρόβλημα marketing

  1. Supervised Learning – Support Vector Machines (Εισαγωγή)

Σε αυτήν την θεματική ενότητα θα παρουσιάσουμε την Supervised Learning.

  • Θα ξεκινήσουμε την παρουσίαση της μεθοδολογίας των Support Vector Machines, για ταξινόμηση και παλινδρόμηση.

  • Θα δείξουμε την ιστορική εξέλιξη της μεθοδολογίας και τις βελτιώσεις που έφερε η κάθε μεταβολή: α) η ιδανική περίπτωση με hard margin, β) η περίπτωση των δεδομένων με θόρυβο και το soft margin μοντέλο, γ) η περίπτωση της μη-γραμμικότητας και το μοντέλο με kernels.

  • Θα γίνει γεωμετρική παρουσίαση της κάθε περίπτωσης

  1. Supervised Learning – Support Vector Machines (Εφαρμογή)

  • Σε αυτήν την θεματική ενότητα θα εμβαθύνουμε στην μεθοδολογία των Support Vector Machines.

  • Θα δείξουμε τις διαδικασίες fine-tuning για να εντοπισθούν οι παράμετροι του βέλτιστου μοντέλου.

  • Θα αναλύσουμε το πρόβλημα της overfitting κατά την διάρκεια της εκπαίδευσης του μοντέλου και την λύση του Cross-Validation

  • Θα γίνει πρακτική εφαρμογή των μεθόδων σε πρόβλημα πρόγνωσης

  1. Supervised Learning – Random Forests (Εισαγωγή)

  • Η θεματική ενότητα ξεκινάει με την παρουσίαση του Decision Tree και της λειτουργίας του.

  • Θα δείξουμε πως συνδυάζονται πολλά Decision Trees δημιουργώντας το μοντέλο που ονομάζεται Random Forest.

  1. Supervised Learning – Random Forests (Εφαρμογή)

  • Σε αυτήν την θεματική ενότητα θα εμβαθύνουμε στα μοντέλα Random Forests.

  • Θα αναφερθούμε στο fine tuning ενός Random Forest και της διαδικασίας που εντοπίζουμε την βέλτιστο μοντέλο.

  • Θα αναλύσουμε το πρόβλημα του overfitting και την διαδικασία αντιμετώπισης στην περίπτωση των Random Forests

  • Θα γίνει πρακτική εφαρμογή των μεθόδων σε πρόβλημα ταξινόμησης

  1. Bagging – Boosting

  • Σε συνέχεια της ενότητας 7 θα εμβαθύνουμε στις μεθοδολογίες Bagging και Boosting.

  • Θα αναλύσουμε πως μπορούμε να συνδυάσουμε πολλούς απλούς γραμμικούς ταξινομητές χαμηλής αποτελεσματικότητας και να κατασκευάσουμε έναν ταξινομητή υψηλής αποτελεσματικότητας.

  • Θα αναφερθούμε χωρίς να εμβαθύνουμε στις μεθοδολογίες Gradient Boosting και την state-of-the-art βιβλιοθήκη XGBoost