ΤΕΙ Θεσσαλονίκης, Τμήμα Μηχανικών Πληροφορικής:...

Π Ρ Ο Γ Ρ Α Μ Μ Α Μ Ε Σ Α Π Σ Τ Υ Ι Α Κ Ω Ν Π Ο Τ Δ Ω Ν

Σ Μ Η Μ Α Μ Η Υ Α Ν Ι Κ Ω Ν Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η

Α Λ Ε Ξ Α Ν Δ Ρ Ε Ι Ο Σ Ε Ι Θ Ε Α Λ Ο Ν Ι Κ Η

Κ Α Θ Η Γ Η Σ Ε :

Κ . Δ Ι Α Μ Α Ν Σ Α Ρ Α , Π . Α Δ Α Μ Ι Δ Η

Παξνπζίαζε καζήκαηνοΜεραληθή Μάζεζε

(Β’ εμάκελν)

Σππηθά

Δμάκελν: Β΄

Γηδάζθνληεο: Κ. Γηακαληάξαο, Π. Αδακίδεο.

Δπί πιένλ πξνζθεθιεκέλνη νκηιεηέο

Γηδαζθαιία: Θεσξία, 4 ώξεο εβδνκαδηαίσο

Γηάξθεηα: 12 εβδνκάδεο

Αμηνιόγεζε: Αζθήζεηο θαηά ηε δηάξθεηα ηνπεμακήλνπ, ζπλ κηα ηειηθή εξγαζία

Λνγηζκηθό: MATLAB

Σκ. Μερ. Πιεξνθνξηθήο, 2013Μεραληθή Μάζεζε

2

Ση είλαη ε Μεραληθή Μάζεζε;

Απην-βειηίσζε ηεο επίδνζεο ελόο αιγνξίζκνπ ζε θάπνηα εξγαζία ρξεζηκνπνηώληαο παξαδείγκαηα από ην πεξηβάιινλ.

Πηζαλέο «εξγαζίεο»: Αλαγλώξηζε πξνηύπσλ

Δμαγσγή ραξαθηεξηζηηθώλ

Οκαδνπνίεζε κε βάζε ηελ νκνηόηεηα

Δθηίκεζε ηεο απόθξηζεο ελόο ζπζηήκαηνο κε βάζε ηελ εκπεηξία

Μάζεζε: εκαληηθό ζπζηαηηθό ηεο αλζξώπηλεο επθπΐαο


3

Δμαγσγή ραξαθηεξηζηηθώλ – Αλάιπζε πιεξνθνξίαο


4

Σαμηλόκεζε (Classification)

Σαμηλνκεηήο(Classifier)

ΆλδξαοΓπαιηάΜειαρξηλόοΜαιιηάΧσξίο γέληα


5

Οκαδνπνίεζε (Clustering)


6

Βαζηθά πεδία

Σαμηλόκεζε δεδνκέλσλ ζε θιάζεηο

Οκαδνπνίεζε

Αλαπαξάζηαζε θαη αλάιπζε δεδνκέλσλ

Δθηίκεζε ζπλαξηήζεσλ (παιηλδξόκεζε)

Σξόπνη κάζεζεο:

Με επίβιεςε

Χσξίο επίβιεςε


7

Δθαξκνγέο

Αλαγλώξηζε θσλήο & νκηιίαο Αλαγλώξηζε γξαθήο (ρεηξόγξαθεο ή κε)

Δπεμεξγαζία θπζηθνύ ιόγνπ Μεραλέο αλαδήηεζεο

Αλαγλώξηζε αληηθεηκέλσλ Αλάιπζε δηάζεζεο

Αλάιπζε κνπζηθήο Γηαθήκηζε - marketing

Αλάιπζε αθνινπζίαο DNA Αλάιπζε ηαηξηθώλ δεδνκέλσλ

Γηεπαθή εγθεθάινπ-ππνινγηζηή πζηήκαηα ζπζηάζεσλ

Δμόξπμε πιεξνθνξίαο Βηνταηξηθή

Αλάιπζε ρξεκαηηζηεξίνπ Ρνκπνηηθή

Παηρλίδηα Όξαζε ππνινγηζηώλ

... ...


8

Δθπαίδεπζε Με Δπίβιεςε


9

Παξάδεηγκα:

Σαξινομηηήρ(Classifier)

ΕξαγωγήΥαπακηηπιζηικών

0

Δείγμα

ΔιάνσσμαΧαρακτηριστικών Απόυαση Ενέργεια



1



0



0

(1):

(2):

(3):

(4):

Στότος

0

1

1

0

Όσιδιόπθωζη



Διόπθωζη

Δθπαίδεπζε Χσξίο Δπίβιεςε


10

Παξάδεηγκα:



0

Δείγμα

ΔιάνσσμαΧαρακτηριστικών Απόυαση Ενέργεια



1



1



0

(1):

(2):

(3):

(4):

Ππωηόηςπο: Δημιοςπγία

νέαρ κλάζηρ=0

Ππωηόηςπο: Δημιοςπγία

νέαρ κλάζηρ=1

Όμοιο με (1): ένηαξη ζηην

κλάζη 0

Όμοιο με (2): ένηαξη ζηην

κλάζη 1

Πεξηερόκελα καζήκαηνο

Δηζαγσγή: Βαζηθέο έλλνηεο Μάζεζε κε επίβιεςε

Μαζεκαηηθό ππόβαζξν, θαηάβαζε δπλακηθνύ, ν αιγόξηζκνο LMS Χξήζε κε γξακκηθώλ ζπλαξηήζεσλ απόθαζεο (βεκαηηθή, ζηγκνεηδήο), αιγόξηζκνο Perceptron. Gaussian discriminant analysis. Η κέζνδνο Bayes. Μεραλέο δηαλπζκάησλ ππνζηήξημεο (Support vector machines) Δπηινγή κνληέινπ Δπηινγή ραξαθηεξηζηηθώλ Δπηηξνπέο εκπεηξνγλσκόλσλ, bagging, boosting. Evaluating and debugging learning algorithms.

Μάζεζε ρσξίο επίβιεςε Clustering. ν αιγόξηζκνο K-κέζσλ Ο αιγόξηζκνο EM, κίγκα Γθανπζηαλώλ Αλάιπζε παξαγόλησλ (Factor Analysis), Αλάιπζε θπξίσλ ζπληζησζώλ (Principal Component

Analysis - PCA) Αλάιπζε αλεμάξηεησλ ζπληζησζώλ (Independent components analysis - ICA).

ηνηρεία ζεσξίαο Η δηάζηαζε Vapnik-Chervonenkis Πξαθηηθέο ζπκβνπιέο ρξήζεο αιγνξίζκσλ κάζεζεο


11

Βηβιηνγξαθία

εκεηώζεηο Κ. Γηακαληάξαο, Τετνητά Νεσρωνικά Δίκτσα, Κιεηδάξηζκνο 2007. C. Bishop, Pattern Recognition and Machine Learning, Springer 2006 S. Haykin, Neural Networks and Learning Machines (3rd Edition),

Prentice Hall, 2008 J. Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis,

Cambridge University Press, 2004 B. Schölkopf and A. J. Smola, Learning with Kernels: Support Vector

Machines, Regularization, Optimization, and Beyond, MIT Press 2001 R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification (2nd

Edition), Wiley Interscience, 2000 V. Vapnik, Statistical Learning Theory, Wiley Interscience, 1998 A. Hyvärinen, J. Karhunen, E. Oja, Independent Component Analysis,

Wiley Interscience, 2001 K. Diamantaras and S. Y. Kung, Principal Component Neural Networks:

Theory and Applications, Wiley Interscience, 1996


12

ΤΕΙ Θεσσαλονίκης, Τμήμα Μηχανικών Πληροφορικής:...

Education