Εισαγωγή στην Ανάλυση Δεδομένων και στη Μηχανική Μάθηση

Στοιχεία Μαθήματος
Διδάσκων (Διδάσκοντες):
Προπτυχιακά Μαθήματα, 6o Εξάμηνο (3ο Έτος, Εαρινό)
Κατηγορία μαθήματος: Υποχρεωτικά Μαθήματα
Τύπος Μαθήματος: Επιστημονικής Περιοχής, Ανάπτυξης Δεξιοτήτων
Γλώσσα Διδασκαλίας: Ελληνικά
Κωδικός Μαθήματος: CHM_670n
Μονάδες: 5
Μονάδες ECTS: 6
Τύπος Διδασκαλίας: Διαλέξεις (3Ωρ./Εβδ.) Φροντηστήριο (2Ωρ./Εβδ.)
Διαθέσιμότητα μαθήματος σε φοιτητές Erasmus: Όχι
Σύνδεσμος URL Περιεχομένου Μαθήματος: https://eclass.upatras.gr/
Λεπτομέρειες Μαθήματος
  • Να είναι σε θέση να διακρίνει μεταξύ προβλημάτων εποπτευόμενης και μη εποπτευόμενης μάθησης
  • Να είναι σε θέση να ανακτά δεδομένα από βάσεις δεδομένων 
  • Να αναπτύσσει και να εφαρμόζεις μεθόδους μηχανικής μάθησης και τεχνητής νοημοσύνης σε προβλήματα χημικής μηχανικής 
  • Να εργάζεται αποτελεσματικά στη διεπιφάνεια χημικής μηχανικής και τεχνολογιών πληροφορικής

 Στο τέλος του μαθήματος o/η φοιτητής/φοιτήτρια θα έχει αναπτύξει τις ακόλουθες δεξιότητες:

Να αναπτύσσει, υλοποιεί και επικοινωνεί μοντέλα τεχνητής νοημοσύνης σε προβλήματα χημικής μηχανικής.

Να επεξεργάζεται και να αναλύει δεδομένα μεγάλου όγκου και κλίμακας. 

Να επικοινωνεί αποτελεσματικά με μηχανικούς Η/Υ και λογισμικού.

Οι φοιτητές θα πρέπει να έχουν σημαντικές γνώσεις Στατιστικής, Γραμμικής Άλγεβρας και προγραμματισμού σε Python

  • Ανασκόπηση Γραμμικής Άλγεβρας 
  • Ανασκόπηση Στατιστικής 
  • Βασικά στοιχεία της Θεωρίας Βελτιστοποίησης 
  • Εισαγωγή στη γραμμική και μη γραμμική παλινδρόμηση 
  • Διατύπωση προβλημάτων ταξινόμησης και αλγόριθμοι 
  • Μέθοδοι και αλγόριθμοι ομαδοποίησης (clustering)
  • Μοντέλα και υπολογισμοί νευρωνικών δικτύων 
  • Ανάλυση Κύριων Συνιστωσών και συμπίεση δεδομένων 
  • Μοντέλα χρονοσειρών

Χρήση Η/Υ και video projector

Οργάνωση Διδασκαλίας

Δραστηριότητα

Φόρτος Εργασίας Εξαμήνου
Διαλέξεις- συζήτηση

65
Προσωπικές Εργασίες

30
Μελέτη βιβλιογραφίας 

52
Εξέταση

3
Σύνολο Μαθήματος

150

Συνολικός Φόρτος Εργασίας (ECTS Standards):

150 Ώρες

Γλώσσα αξιολόγησης είναι η Ελληνική.

Η αξιολόγηση περιλαμβάνει Γραπτή Εργασία.

Τα κριτήρια αξιολόγησης αναφέρονται ρητά στο φύλλο μαθήματος στον Οδηγό Σπουδών.

Christopher M. Bishop, Pattern Recognition and Machine Learning, ‎ Springer, 2006

Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2ND Ed., Springer, 2009

Kevin P. Murphy, Machine Learning: A Probabilistic Perspective, The MIT Press, 2012.