Παρουσίαση/Προβολή

(CEID1509) -  Δημήτριος Κοσμόπουλος

Περιγραφή Μαθήματος

1. Εισαγωγή στη Στατιστική Μάθηση

• Διαφορά μεταξύ παραμετρικών και μη παραμετρικών μοντέλων
• Εποπτευόμενη vs μη εποπτευόμενη μάθηση
• Κίνδυνος, απώλεια (loss), και αναμενόμενη απώλεια

2. Γραμμικά Μοντέλα

• Παλινδρόμηση (Linear Regression, Ridge, Lasso)
• Ταξινόμηση (Logistic Regression)
• Μέγιστη πιθανοφάνεια (Maximum Likelihood Estimation)
• Παλινδρόμηση Bayes

3. Στατιστικές μέθοδοι επιλογής/ορισμού χαρακτηριστικών

• Μέθοδοι Φιλτραρίσματος (Pearson correlation, Chi-squared, ANOVA F-test, Mutual Information, Variance thresholding).
• Μέθοδοι περιτύλιξης (Wrapper)
• Ενσωματωμενες μέθοδοι
• PCA

3. Μάθηση Bayes

• Θεώρημα Bayes και εκ των υστέρων κατανομές
• Prior / posterior / evidence
• Αφελής ταξινομητής Bayes

4. Πιθανοτικά Γραφικά Μοντέλα

• Markov Random Fields
• Hidden Markov Models
• Inference: Belief Propagation, Sampling (Gibbs, MCMC)

5. Μη Παραμετρικά Μοντέλα

• Παράθυρα Parzen
• k-Nearest Neighbors
• Kernel Density Estimation
• Διαδικασίες Gauss

6. EM αλγόριθμος & Mικτά μοντέλα

• Expectation-Maximization (EM)
• Gaussian Mixture Models (GMMs)
• Επιλογή μοντέλου: AIC, BIC, Cross-Validation

7. Support Vector Machines (SVMs)

• Με θεωρητική έμφαση στην margin theory
• Δυαδικοί πυρήνες
• Κανονικοποίηση

8. Μάθηση υπό αβεβαιότητα

• PAC (Probably Approximately Correct)
• Όρια γενίκευσης

9. Mείωση διαστατικότητας & Manifold Learning

• PCA
• LDA (Linear Discriminant Analysis)
• Factor Analysis

10. Αξιολόγηση Μοντέλων

• Bias-Variance
• Υπερπροσαρμογή, υποπροσαρμογή
• Επικύρωση

11. Ενισχυτική μάθηση

• Μερικώς παρατηρήσιμη διαδικασία Markov

Ημερομηνία δημιουργίας

Πέμπτη, 25 Σεπτεμβρίου 2025