Μηχανική Μάθηση


Περιγραφή

Στο μάθημα καλύπτονται θέματα από την περιοχή των νευρωνικών δικτύων με αναφορά και σε άλλες τεχνικές από τον ευρύτερο χώρο της υπολογιστικής νοημοσύνης, όπως τα ασαφή συστήματα, οι γενετικοί αλγόριθμοι και οι υβριδικές προσεγγίσεις: Μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, διαδικασίες μάθησης, δυναμική συμπεριφορά, σύγκλιση και ευστάθεια. Δίκτυα πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος (πολυστρωματικό perceptron, αλγόριθμος backpropagation), συσχετιστικά δίκτυα (δίκτυα Hopfield, BAM), πολυστρωματικά δίκτυα με ανατροφοδότηση, δίκτυα ανταγωνιστικής μάθησης (χάρτες Kohonen, μοντέλα ART), τοπικοί κανόνες μάθησης (δίκτυα RBF), μηχανές διανυσμάτων υποστήριξης (support vector machines), συνδυασμοί νευρωνικών δικτύων (ensembles). Εφαρμογές (αναγνώριση προτύπων, επεξεργασία σήματος/ εικόνας, έλεγχος και ρομποτική, διάγνωση, πρόβλεψη, βελτιστοποίηση). Υλοποιήσεις (παραλληλία, VLSI). Υβριδικά συστήματα (ασαφή νευρωνικά συστήματα, εξελικτικά νευρωνικά δίκτυα).