Κατάλογος Μαθημάτων
Πληροφορίες μαθήματος: Εισαγωγή στην επιστήμη των δεδομένων και τη μηχανική μάθηση
Στην ιστοσελίδα αυτή παρουσιάζουμε πληροφορίες για το μάθημα Εισαγωγή στην επιστήμη των δεδομένων και τη μηχανική μάθηση, του Τμήματος Φυσικής, με βάση τον οδηγό σπουδών του Τμήματος.
Ο κατάλογος με τα προσφερόμενα μαθήματα του τρέχοντος ακαδημαϊκού έτους βρίσκεται εδώ.
Ο κατάλογος με πληροφορίες για όλα τα μαθήματα του Τμήματος βρίσκεται εδώ.
Κωδικός | Φ-252 |
---|---|
Τύπος | Γ |
ECTS | 6 |
Ώρες | 4 |
Εξάμηνο | Χειμερινό |
Διδάσκων/-οντες | P. Bonfini, Γ. Τσιρώνης |
Πρόγραμμα | Δευτέρα, 18:00-20:00, Αίθουσα Υπολογιστών 2 Παρασκευή,17:00-20:00, Αίθουσα Υπολογιστών 2 |
Ιστοσελίδα | https://eclass.physics.uoc.gr/courses/PH252/ |
Σκοπός Μαθήματος | Στη σύγχρονη επιστήμη, πειράματα σε πεδία όπως στη φυσική υψηλών ενεργειών και παρατηρήσεις από τα αστρονομικά παρατηρητήρια δημιουργούν πλήθος δεδομένων (“big data”) τα οποία απαιτούν εξαιρετικά αποτελεσματικές μεθόδους προκειμένου να αναλύονται και να παράγονται σημαντικά αποτελέσματα. Η επιστήμη των δεδομένων (data science) είναι ο διεπιστημονικός τομέας που ενοποιεί πεδία όπως στατιστική και πιθανότητες, επιστήμη της πληροφορίας, ανάλυση δεδομένων, μηχανική μάθηση και άλλες συναφείς μεθόδους, προκειμένου να αναλύσει, κατηγοριοποιήσει, προβλέψει και ερμηνεύσει φαινόμενα από δεδομένα. Οι σύγχρονες μέθοδοι μηχανικής μάθησης (machine learning [ML]) έχουν διαδραματίσει σημαντικό ρόλο στην πρόοδο της επιστήμης των δεδομένων. Επιμέρους πεδία, όπως μέθοδοι βασισμένες σε συστοιχίες νευρωνικών δικτύων (deep learning [DL]), έχουν παίξει καθοριστικό ρόλο στην πρόοδο που παρατηρείται σε πολλούς τομείς όπως η αναγνώριση ομιλίας, η μηχανική μετάφραση και η ρομποτική μεταξύ άλλων. Στη φυσική, οι μέθοδοι ML και DL χρησιμοποιούνται για να ανιχνεύσουν και να ταξινομήσουν αστρονομικά αντικείμενα, να εντοπίσουν σωματίδια σε συστοιχίες ανιχνευτών και να προβλέψουν την κατάσταση σύνθετων, μη γραμμικών δυναμικών συστημάτων. |
Διδακτέα Ύλη | Θεματική Ενότητα 1: Python και Tensoflow για την Επιστήμη των Δεδομένων Εβδομάδα 1. Εισαγωγή. Μαθηματικά προ-απαιτούμενα. Δημιουργία του υπολογιστικού περιβάλλοντος: Εισαγωγή στη γλώσσα προγραμματισμού Python (Ι). Εβδομάδα 2. Εισαγωγή στη γλώσσα προγραμματισμού Python (II). Η χρήση Jupyter Notebooks. Εβδομάδα 3. Εφαρμογές με Python (I). Πρόσβαση σε πηγές δεδομένων. Εγκατάσταση Keras και TensorFlow. Εισαγωγή στο περιβάλλον προγραμματισμού TensorFlow. Εβδομάδα 4. Εφαρμογές με Python (II). Πιθανότητες και Στατιστική με εφαρμογές στην Επιστήμη των Δεδομένων. Χρησιμοποιώντας Python και TensoFlow για την εκμάθηση βασικών μεθόδων και στατιστικών προσεγγίσεων για την ανάλυση δεδομένων. Θεματική Ενότητα 2: Μηχανική Μάθηση (Machine Learning) Εβδομάδα 5. Οι βασικές αρχές της μηχανικής μάθησης: Το ευρύτερο πεδίο και η δομή εφαρμογών. Πηγές δεδομένων και κύριες εφαρμογές: ταξινόμηση (classification) και πρόβλεψη (prediction). Γραμμική παλινδρόμηση, steepest descent, πολυωνυμική παλινδρόμηση. Εβδομάδα 6. Regularized Linear Models (Ridge Regression, Lasso Regression, Elastic Net, Early Stopping). Λογιστική παλινδρόμηση (Εκτίμηση πιθανοτήτων, Decision Boundaries, Softmax Regression). Εβδομάδα 7. Support Vector Machines. Decision Trees. Ensemble Learning and Random Forests. Εβδομάδα 8. Dimensionality Analysis. Principal Components Analysis. Θεματική Ενότητα 3: Βαθιά Μάθηση (Deep Learning) Εβδομάδα 9. Νευρωνικά δίκτυα και βαθιά μάθηση. Εφαρμογές με χρήση TensorFlow. Εβδομάδα 10. Πλήρως διασυνδεδεμένα βαθιά νευρωνικά δίκτυα. Εκπαιδεύοντας βαθιά νευρωνικά δίκτυα (I). Εβδομάδα 11. Training Deep Neural Nets (II). Convolutional Neural Networks. Recurrent Neural Networks. Εβδομάδα 12. Autoencoders. Reinforcement Learning. Το μέλλον της βαθιάς μάθησης. Εβδομάδα 13. Υποβολή τελικής εργασίας. |
Βιβλιογραφία | Βιβλιογραφία διαθέσιμη στο διαδικτυο καθώς και: 1. For Hands-on Machine Learning, Neural Networks and Deep Learning: Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems by Aurelien Geron (2017). 2. For a more thorough mathematical exposition (especially on the Deep Learning part): Deep Learning, by Goodfellow, Bengio and Courville (2016). |
- Τμήμα Φυσικής
- Εκπαίδευση
- Προσωπικό
- Τομείς
- Αριστεία
- Ερευνητικά Νέα
- Δημοσιεύσεις
- Επικοινωνία
- Ανακοινώσεις
- Σεμινάρια Τμήματος
- Συνέδρια
- Αστεροσκοπείο Σκίνακα
- Ινστιτούτο Θεωρητικής και Υπολογιστικής Φυσικής
- Κέντρο Θεωρητικής Φυσικής Κρήτης - CCTP
- Κέντρο Κβαντικής Πολυπλοκότητας και Νανοτεχνολογίας Κρήτης
- Διαλέξεις Ωνάση
- Διεθνή Βραβεία
- Διεθνείς Διασυνδέσεις
- Υπολογιστικές Υπηρεσίες
- Χρήσιμες Συνδέσεις
- Πληροφορίες Επισκεπτών