MEMY-599
Θεωρία και μέθοδοι Μηχανικής Μάθησης
Πρόγραμμα Σπουδών
Το πρόγραμμα σπουδών καλύπτει τα ακόλουθα θέματα, οργανωμένα στις ακόλουθες 5 ενότητες:
- Εισαγωγή
- Εισαγωγή και υπόβαθρο στο θέμα
- Βασικές Αρχές
-
- Μηχανική Μάθηση: έννοια, κατηγορίες, εφαρμοσιμότητα, χαρακτηριστικά και εξαγωγή
- Δεδομένα: δομές δεδομένων, χρήση, αποθήκευση (αρχές FAIR), πλατφόρμες και βάσεις δεδομένων
- Χαρακτηριστικά: σημασία και εξαγωγή, παραδείγματα, ροές εργασίας
- Επεξηγησιμότητα: περιπτώσεις χρήσης και κριτική αξιολόγηση
- Μάθηση σε σύνολο: ενίσχυση, παγίδευση
- Μέθοδοι και αλγόριθμοι
-
- Ανάληψη: Μη επιβλεπόμενη και επιβλεπόμενη μάθηση: επιλεγμένες μέθοδοι (ανάλυση κύριων συνιστωσών, kmeans, DBSCAN, παλινδρόμηση)
- Νευρωνικά Δίκτυα: μαθηματική ανάπτυξη, υπερπαράμετροι, επιλεγμένα δίκτυα (μακράς βραχυπρόθεσμης μνήμης, νευρωνικά δίκτυα γραφημάτων), αυτοκωδικοποιητές, νευρωνικά δίκτυα βασισμένα στη φυσική
- Γεννητικά μοντέλα: έννοιες και διαφορές από μη γενικευμένα μοντέλα, παραδείγματα (μεταβλητοί αυτοκωδικοποιητές, γενικά ανταγωνιστικά δίκτυα)
- Υβριδικά μοντέλα: έννοιες, παραδείγματα
- Μεγάλα γλωσσικά μοντέλα: μετασχηματιστές, tokenization
- Σχεδιασμός μαλακών υλικών & (βιο)μόρια
-
- Δομή: πρωτεΐνες (AlphaFold), μόρια, δακτυλικά αποτυπώματα/χαρακτηριστικά, επιλεγμένα μοντέλα πρόβλεψης
- Ιδιότητες: ενσωματώσεις, περιπτώσεις χρήσης
- Μηχανική μάθηση και προσομοιώσεις υπολογιστών
-
- Δυνατότητες: ανάπτυξη γενεών, διακριτές περιγραφές ενέργειας
- Αλληλεπιδράσεις: βραχυπρόθεσμες, μεσοπρόθεσμες και μακροπρόθεσμες
Μαθησιακά Αποτελέσματα
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση
- Να αποκτήσουν εμπειρία με δεδομένα και βάσεις δεδομένων και να γνωρίζουν την ορθότητα όσον αφορά τη δημιουργία, τη χρήση και την αρχειοθέτηση δεδομένων.
- Να εξοικειωθούν με προηγμένες γνώσεις έννοιες της Μηχανικής Μάθησης με έμφαση στις Φυσικές Επιστήμες και τη Μηχανική.
- Να αξιολογούν κριτικά την εφαρμοσιμότητα, την επεξηγηματικότητα και τη γενικευσιμότητα των μεθόδων Μηχανικής Μάθησης.
- Να κατανοούν τις εννοιολογικές διαφορές, τα δυνατά και τα αδύνατα σημεία του προτύπου σε σχέση με τα μοντέλα γενετικής μάθησης.
- Να συγκρίνουν κριτικά σχήματα και αλγόριθμους Μηχανικής Μάθησης.
- Να εκφράζουν έναν αλγόριθμο Μηχανικής Μάθησης με τη μορφή ψευδοκώδικα.
- Να εκφράζουν δομές στερεάς κατάστασης και μόρια ως ενσωματώσεις και να παρέχουν παραδείγματα και ιδέες για μοριακά δακτυλικά αποτυπώματα.
- Να κατανοούν την έννοια των δυνατοτήτων της Μηχανικής Μάθησης και να εξηγείτε την εφαρμοσιμότητα τους.
- Να αποκτούν μια πρακτική, πρακτική εμπειρία με προηγμένους αλγόριθμους Μηχανικής Μάθησης.