Στόχοι Μαθήματος: Το μάθημα είναι μια εισαγωγή των βασικών εννοιών στη σύγχρονη μηχανική μάθηση. Αρχικά εισάγουμε τις έννοιες της εποπτευόμενης, μη εποπτευόμενης και ημι-εποπτευόμενης μάθησης. Στη συνέχεια, παρουσιάζουμε την κύρια βιολογική έμπνευση της σύγχρονης μη εποπτευόμενης απεικόνισης δεδομένων, δηλαδή της Deep Learning. Περαιτέρω, εισάγουμε τα βασικά μοντέλα εποπτείας μάθησης. Επιπρόσθετα, επεξεργαζόμαστε τους αλγορίθμους Collaborative Filtering, με έμφαση στο Matrix Factorization. Παρουσιάζουμε τα προβλήματα της μάθησης πολλαπλών περιπτώσεων και της ημι-εποπτείας, καθώς αντιμετωπίζονται στο πλαίσιο του μεγάλου περιθωρίου κέρδους. Σε όλες τις περιπτώσεις, επεξεργαζόμαστε τεχνικές που μπορούμε να χρησιμοποιήσουμε για να αποτρέψουμε την υπερφόρτωση, μέσω κατάλληλης χρήσης των μεθόδων νομιμοποίησης. Τέλος, εισάγουμε τεχνικές μάθησης ενίσχυσης, όπου οι πράκτορες μαθαίνουν τις βέλτιστες πολιτικές μέσω της δυναμικής αλληλεπίδρασης με το περιβάλλον τους.

Μαθησιακά Αποτελέσματα: Οι μαθητές θα κατανοήσουν μια ολιστική άποψη του τοπίου μάθησης μηχανής. Θα είναι σε θέση να διακρίνουν ανάμεσα στους κύριους τύπους προσεγγίσεων μηχανικής μάθησης, να κατανοήσουν τα πλεονεκτήματα και τα μειονεκτήματά τους, τα είδη προβλημάτων που μπορούν να λύσουν το καθένα και τι πρέπει να προσέξουμε σε κάθε περίπτωση.

Περιεχόμενο Μαθήματος: Το μάθημα περιλαμβάνει ένα θεωρητικό μέρος και μια σειρά εργαστηριακών ασκήσεων. ΘΕΩΡΗΤΙΚΟ ΜΕΡΟΣ: Εισαγωγή, Στοιχεία Μηχανικής Μάθησης, Παλινδρόμηση, Ταξινόμηση, Επικύρωση, Επιλογή μοντέλου, Ομαδοποίηση, Εκμάθηση χαρακτηριστικών. ΕΡΓΑΣΤΗΡΙΟ: Επίλυση απλών εργασιών ταξινόμησης, παλινδρόμησης και ομαδοποίησης με τη χρήση της μάθησης Scikit.