ΠΛΗΡΟΦΟΡΙΕΣ ΜΑΘΗΜΑΤΟΣ

ΕΠΙΣΤΗΜΗ ΔΕΔΟΜΕΝΩΝ, ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ

Κατηγορία Μαθήματος: Μεταπτυχιακό
Τύπος Μαθήματος: Υ
Κωδικός Γραμματείας:
Εξάμηνο:
2° (Εαρινό)

Διάρκεια:

3 ώρες/εβδομάδα
ECTS Units:
Τομέας:
Οργάνωσης Παραγωγής & Βιομηχανικής Διοίκησης
Διδάσκων:
Αμπουντώλας Κωνσταντίνος

Σκοπός

Σκοπός του μαθήματος είναι η εισαγωγή των φοιτητών στην επιστήμη των δεδομένων, την τεχνητή νοημοσύνη και μηχανική μάθηση, και τις εφαρμογές αυτών σε προβλήματα της διοίκησης εφοδιαστικής αλυσίδα, μεταφορών, συνδεδεμένων/αυτόνομων οχημάτων, και ευφυείς υποδομές σε έξυπνες πόλεις.

Μετά την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές θα μπορούν:

  • Να κατανοήσουν τις βασικές αρχές που διέπουν την επιστήμη δεδομένων και τεχνητή νοημοσύνη.
  • Να περιγράψουν τις βασικές κατηγορίες προβλημάτων για την χρήση δεδομένων μεγάλης κλίμακας (πρόβλεψη,  κατηγοριοποίηση, παλινδρόμηση,  ομαδοποίηση, εκτίμηση, λήψη αποφάσεων).
  • Να περιγράψουν και χρησιμοποιήσουν τις βασικές τεχνικές μηχανικής μάθησης (επιβλεπόμενη μάθηση, μη επιβλεπόμενη μάθηση,  ενισχυτική μάθηση,  νευρωνικά δίκτυα και βαθιά μάθηση)
  • Να  χρησιμοποιήσουν μεθόδους μηχανικής μάθησης που μπορούν να μαθαίνουν από τα δεδομένα και να κάνουν προβλέψεις σχετικά με αυτά σε προβλήματα  της διοίκησης εφοδιαστικής αλυσίδας, μεταφορών, συνδεδεμένων/αυτόνομων οχημάτων σε έξυπνες πόλεις.
Περιεχόμενα

  • Εισαγωγή στην Επιστήμη των Δεδομένων (εποχή των δεδομένων; συλλογή δεδομένων μέσω αισθητήρων και παρακολούθηση δίκτυών και έξυπνων πόλεων, 3Vs δεδομένων μεγάλης κλίμακας, ανάλυση δεδομένων, ανασκόπηση εφαρμογών σε δίκτυα αισθητήρων πόλεων και τις μεταφορές).
  • Τεχνητή Νοημοσύνη (ΤΝ) και Μηχανική Μάθηση (ΜΜ) (μάθηση σε ανώτερους οργανισμούς, μηχανική μάθηση; λογική, δέντρα και λήψη αποφάσεων, αλγόριθμοι αναζήτησης και παίγνια, αλγόριθμοι βασισμένοι σε παραδείγματα της φύσης, στατιστική μάθηση).
  • Επιβλεπόμενη Mάθηση (πρόβλημα της πρόβλεψης, κατηγοριοποίηση, λογιστική παλινδρόμηση, εκτίμηση μέγιστης πιθανοφάνειας, Μηχανές Διανυσμάτων Υποστήριξης (SVM), δέντρα αποφάσεων). 
  • Εργαλεία Βελτιστοποίησης στην ΤΝ και ΜΜ (βελτιστοποίηση, επαναληπτικοί αλγόριθμοι αναζήτησης, στοχαστικοί αλγόριθμοι μέγιστης κατάβασης και προσαρμοστική μάθηση, οπίσθια διάδοση σφάλματος).
  • Τεχνητά Νευρωνικά Δίκτυα και Βαθιά Μάθηση (Τεχνητά Νευρωνικά Δίκτυα, πολυεπίπεδα νευρωνικά δίκτυα, μέθοδος εκπαίδευσης της οπίσθιας διάδοσης σφάλματος, Συνελικτικά Νευρωνικά δίκτυα (CNN), Αναδρομικά Νευρωνικά Δίκτυα (RNN), Νευρωνικά Δίκτυα Μακράς και Βραχείας Μνήμης (LSTM)).
  • Ενισχυτική Μάθηση (αναζήτηση στο χώρο των βέλτιστων πολιτικών, αναζήτηση στο χώρο των τιμών) 
  • Μη Επιβλεπόμενη Μάθηση (δημιουργία μοντέλων από τα δεδομένα και αναγνώριση προτύπων, Ομαδοποίηση δεδομένων, Ιεραρχική Ομαδοποίηση, Ομαδοποίηση με k-means; Πιθανοτικά μοντέλα: Γκαουσιανοί πυρήνες και μείγματα, εκτίμηση παραμέτρων μέσω του αλγόριθμου ΕΜ, δίκτυα Bayes)
  • Πρακτικές Εφαρμογές (εφαρμογές πρόβλεψης, ταξινόμησης, ομαδοποίησης/συστάδας, λήψης αποφάσεων σε προβλήματα της διοίκησης εφοδιαστικής αλυσίδας και logistics, συνδεδεμένων και αυτόνομων οχημάτων, και ευφυείς υποδομές)

 

Βιβλιογραφία

Προτεινόμενη Βιβλιογραφία

  1. S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach, 3rd Edition. Prentice-Hall, Englewood Cliffs, NJ, 2009.
  2. K.P. Murphy. Machine Learning: A Probabilistic Perspective, MIT Press, 2012.
  3. M. Mohri, A. Rostamizadeh, and A. Talwalkar. Foundations of Machine Learning, MIT Press, 2012.
  4. R.S. Sutton, A.G. Barto. Reinforcement Learning: An Introduction, 2nd Edition, MIT Press, 2018.
  5. I. Goodfellow, Y. Bengio, and A. Courville. Deep Learning, MIT Press, 2016.
  6. C.M. Bishop. Pattern Recognition and Machine Learning, Springer 2007.
  7. T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning, Springer, 2011.
  8. S. Haykin. Neural Networks and Learning Machines, Pearson, 2008.
  9. W. McKinney. Python for Data Analysis, 2nd Edition. O'Reilly Media, 2017.

Συναφή επιστημονικά περιοδικά

  • Artificial intelligence 
  • IEEE Transactions on Neural Networks and Learning Systems 
  • IEEE Transactions on Pattern Analysis and Machine Intelligence 
  • IEEE Transactions on Evolutionary Computation 
  • IEEE Transactions on Fuzzy Systems 
  • IEEE Computational Intelligence Magazine 
  • Journal of Machine Learning Research 
  • Pattern Recognition 
  • Neural Networks 
  • Information Sciences 
  • Machine Learning 
  • Annals of Statistics 
  • Journal of the Royal Statistical Society. Series B: Statistical Methodology
Εργαστηριακές Ασκήσεις
 
Υπολογιστικές Ασκήσεις
  • Παρουσίαση της γλώσσας R και Python, και βιβλιοθηκών για την επίλυση προβλημάτων στην επιστήμη των δεδομένων.
  • Χρήση βιβλιοθηκών για την δημιουργία και εκπαίδευση Τεχνητών Νευρωνικών Δικτύων και εφαρμογές σε προβλήματα μεταφορών και της εφοδιαστικής αλυσίδας (Keras Deep Learning Library, Theano, TensorFlow, PyTorch).
Γλώσσα Διδασκαλίας
Ελληνική ή Αγγλική