Εισαγωγή στην Ανάλυση Δεδομένων και στη Μηχανική Μάθηση
Module Details
- 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
Teaching Organization
|
Δραστηριότητα |
Φόρτος Εργασίας Εξαμήνου |
| Διαλέξεις- συζήτηση |
65 |
| Προσωπικές Εργασίες |
30 |
| Μελέτη βιβλιογραφίας |
52 |
| Εξέταση |
3 |
| Σύνολο Μαθήματος |
150 |
Total Module Workload (ECTS Standards):
150 Hours
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.