Περιεχόμενα: Εισαγωγή στη μηχανική μάθηση, η τεχνική cross validation, εισαγωγή στην θεωρία πιθανοτήτων και στα πιθανοτικά μοντέλα, γραμμικά μοντέλα παλινδρόμησης και λογιστικής παλινδρόμησης, μη γραμμικά μοντέλα, νευρωνικά δίκτυα και βαθιά μάθηση, αρχιτεκτονικές βαθιάς μάθησης, εισαγωγή στα μεγάλα γλωσσικά μοντέλα, k-κοντινότεροι γείτονες, περιγραφικά πιθανοτικά μοντέλα κατηγοριοποίησης, naive Bayes, support vector machines, δέντρα αποφάσεων και κέρδος πληροφορίας, τεχνικές ensembling, μέθοδοι ομαδοποίησης, αλγόριθμος k-means, μέθοδοι μείωσης διάστασης, ενισχυτική μάθηση.

Στο τέλος του μαθήματος ο φοιτητής θα μπορεί να:

• περιγράφει τις βασικές έννοιες της μηχανικής μάθησης (είδη μηχανικής μάθησης, μέθοδοι εκπαίδευσης, κτλ.).
• εξηγήσει τι είδους προβλήματα μπορούν να αντιμετωπιστούν με τη χρήση μηχανικής μάθησης, καθώς και τους περιορισμούς της μηχανικής μάθησης.
• αναγνωρίζει και αντιμετωπίζει συχνά προβλήματα μεθόδων μηχανικής μάθησης (π.χ. υπερεκπαίδευση).
• επιλέγει το καταλληλότερο μοντέλο/μεθοδολογία μηχανικής μάθησης ανάλογα με το πρόβλημα που καλείται να επιλύσει.
• χρησιμοποιεί σύγχρονα εργαλεία (π.χ. NumPy, scikit-learn, Tensorflow, PyTorch) για την ανάπτυξη αλγορίθμων και την επίλυση προβλημάτων μηχανικής μάθησης.
• αξιολογεί την ποιότητα ενός συστήματος μηχανικής μάθησης, καθώς και να συγκρίνει διαφορετικά συστήματα μηχανικής μάθησης μεταξύ τους.

Αξιολόγηση:  Ο τελικός βαθμός του μαθήματος βασίζεται σε τρία κριτήρια: (1) Απόδοση στην πρώτη εργασία (20%), (2) Απόδοση στην δεύτερη εργασία (20%), (3) Τελικές γραπτές εξετάσεις (60%). Απαραίτητη προϋπόθεση για να θεωρηθεί η εξέταση επιτυχής είναι να καλύπτεται τουλάχιστον η βάση σε κάθε κατηγορία των κριτηρίων βαθμολόγησης (δηλ. εργασίες και τελικές εξετάσεις).

Μέθοδοι αξιολόγησης: Ερωτήσεις σύντομης απάντησης, Ερωτήσεις ανάπτυξης δοκιμίων, Ερωτήσεις πολλαπλής επιλογής, Επίλυση προβλημάτων, Έκθεση / Αναφορά.

-

Βιβλιογραφία:

1. C.M. Bishop, Αναγνώριση Προτύπων και Μηχανική Μάθηση, 1η έκδοση, Φούντας, 2019. ISBN: 9789603307907. Κωδικός στον Εύδοξο: 86053413.
2. S. Theodoridis, K. Koutroumbas, Αναγνώριση προτύπων, 1η έκδοση, Πασχαλίδης, 2011. ISBN: 9789604891450. Κωδικός στον Εύδοξο: 13256974.
3. J. Friedman, T. Hastie, R. Tibshirani, The Elements of Statistical Learning, Springer, 2001.
4. M. Mohri, A. Rostamizadeh, A. Talwalkar, Foundations of Machine Learning, MIT Press, 2018.
5. S. Shalev-Shwartz, S. Ben-David, Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press, 2014. 
6. I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016.