AT500 - Ανάλυση δεδομένων και τεχνητή νοημοσύνη
Μεταπτυχιακό Δίπλωμα Επιστήμης στην Επιχειρηματική Ευφυΐα και την Ανάλυση Δεδομένων
Κύριο μάθημα
AT500 - Ανάλυση δεδομένων και τεχνητή νοημοσύνη
Κωδικός Μονάδας Μαθήματος: AT500
Τύπος μονάδας: Πυρήνας
Επίπεδο Μονάδας Μαθήματος: Δεύτερος κύκλος
Έτος σπουδών: Πρώτο / δεύτερο
Εξάμηνο: Κατά παραγγελία
Αριθμός μονάδων ECTS: 6
Ώρες επαφής με το μάθημα: 28
Τρόπος παράδοσης:
Πρόσωπο με πρόσωπο
Προαπαιτούμενα
Κανένα
Στόχοι του μαθήματος
Ο στόχος αυτού του μαθήματος είναι να διδάξει στους φοιτητές την επιστήμη των δεδομένων. Το μάθημα θα καλύψει τις βασικές αρχές της μηχανικής μάθησης και της τεχνητής νοημοσύνης. Οι φοιτητές θα έχουν την ευκαιρία να μάθουν για τους πιο δημοφιλείς αλγορίθμους και να τους εφαρμόσουν σε πραγματικά σύνολα δεδομένων.
Μαθησιακά αποτελέσματα
- Γνωρίζετε όλους τους βασικούς αλγορίθμους μηχανικής μάθησης: από τα δέντρα αποφάσεων έως τα νευρωνικά δίκτυα.
- Να γνωρίζουν πώς να χρησιμοποιούν τη στατιστική μοντελοποίηση για την επίλυση προβλημάτων του πραγματικού κόσμου.
- Γνωρίζετε πώς να χρησιμοποιείτε αλγόριθμους μηχανικής μάθησης στη γλώσσα προγραμματισμού Python χρησιμοποιώντας βιβλιοθήκες όπως η scikit-learn και η pandas.
- Γνωρίστε τα βασικά στοιχεία της βαθιάς μάθησης.
- Γνωρίζετε πώς να επεξεργάζεστε και να επεξεργάζεστε δεδομένα στη γλώσσα προγραμματισμού Python.
Περιεχόμενο μαθήματος
Χαρακτηριστικά μαθήματος
Προγραμματισμένες μαθησιακές δραστηριότητες και μέθοδοι διδασκαλίας
Διαλέξεις, συζητήσεις και αντιπαραθέσεις εντός της τάξης, ασκήσεις εντός της τάξης, σύνολα προβλημάτων, ομαδική εργασία, μελέτες περιπτώσεων σε βίντεο, ομαδικές παρουσιάσεις, διαδραστική ηλεκτρονική μάθηση μέσω του Moodle (κουίζ, εργασίες, φόρουμ).
Μέθοδοι και κριτήρια αξιολόγησης
Συμμετοχή 10%
Ανάθεση ομάδας 40%
50% εξέταση
Γλώσσα διδασκαλίας
Αγγλικά
Πρακτική άσκηση(ες)
Δεν ισχύει
Αναγνώσεις
Συγγράμματα:
1. Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J: Πρακτικά εργαλεία και τεχνικές μηχανικής μάθησης (4η έκδοση), 2016
Προαιρετικό βιβλίο:
2. Ian Goodfellow, Yoshua Bengio, Aaron Courville, Francis Bach, Deep Learning (Adaptive Computation and Machine Learning Series), MIT Press, 2017
3. Trevor Hastie & Robert Tibshirani,The elements of Statistical Learning, Springer, 2009
4. Peter Norvig, Stuart J: (4η έκδοση), 2020
English (UK) 
Ελληνικά