Τεχνητή Νοημοσύνη και Μηχανική Μάθηση: Θεωρία και Εφαρμογές – B’ Κύκλος

Σκοπός του προγράμματος

Η επιστημονική ταξινόμηση και πρόγνωση παραδοσιακά γίνεται με μεθόδους των Μαθηματικών, της Στατιστικής και της Οικονομετρίας. Τα τελευταία 30 χρόνια παράλληλα, εμφανίστηκαν νέες προσεγγίσεις, προερχόμενες κυρίως από τις Πολυτεχνικές Σχολές: Η Τεχνητή Νοημοσύνη (ΤΝ) και η Μηχανική Μάθηση (ΜΜ), δυο αλληλένδετες έννοιες που περικλείουν υπολογιστικά συστήματα, μεθοδολογίες και τεχνικές. Οι εφαρμογές τους σε πραγματικά προβλήματα, έφεραν αποτελέσματα συγκρίσιμα και πολλές φορές καλύτερα από τις παραδοσιακές μεθοδολογικές προσεγγίσεις. Το Πρόγραμμα θα καλύψει το κενό που υπάρχει αναφορικά με την πρακτική και εμπειρική χρήση της ΤΝ και ΜΜ σε πραγματικά προβλήματα πρόβλεψης και ταξινόμησης.

Το πρόγραμμα εισάγει και εκπαιδεύει τους καταρτιζόμενους στις μεθοδολογίες και τεχνικές της τεχνητής νοημοσύνης και μηχανικής μάθησης με πρακτικές εφαρμογές.

Γίνεται παρουσίαση όλων των σημαντικών αλγορίθμων μηχανικής μάθησης και τεχνητής νοημοσύνης. Οι τεχνικές αυτές αντιπαραβάλλονται με κλασικές σχετικές μεθόδους για λόγους σύγκρισης και κατανόησης των ομοιοτήτων και διαφορών.

Στόχος του προγράμματος είναι η κατανόηση της εφαρμογής των αλγορίθμων της ΤΝ και ΜΜ, χωρίς (απαραίτητα) εμβάθυνση στο μαθηματικό, αλγοριθμικό ή προγραμματιστικό κομμάτι των μεθόδων αυτών. Έτσι, αυτές μπορούν να γίνουν γνωστές και να αποτελέσουν εργαλεία πρακτικής και άμεσα εφαρμόσιμης οικονομικής και επιχειρηματικής ανάλυσης-πρόβλεψης από τον κάθε ενδιαφερόμενο χωρίς προηγούμενη σχετική εξειδικευμένη γνώση.

Παρουσιάζονται και χρησιμοποιούνται όλοι οι σχετικοί αλγόριθμοι και μεθοδολογίες τόσο μη-επιβλεπόμενης μάθησης, όπως K-Means, Hierarchical Clustering για ομαδοποίηση, μείωση διαστάσεων, ανίχνευση ανωμαλιών κλπ, όπως και επιβλεπόμενης  μάθησης, νευρωνικά δίκτυα, Support Vector Machines-Regression, Decision Trees, Random Forests, γραμμική λογιστική παλινδρόμηση, K-Nearest Neighbors κλπ καθώς και  με τις σχετικές Boosting και Bagging τεχνικές.

Οι καταρτιζόμενοι εκπαιδεύονται στην βασική χρήση της γλώσσας Python χωρίς να απαιτείται καμία προηγούμενη σχετική γνώση. Παρέχεται σχετική εργαλειοθήκη (toolbox) με έτοιμο κώδικα Python που μπορεί να χρησιμοποιηθεί άμεσα σε οποιοδήποτε πρόβλημα πρόβλεψης ή ταξινόμησης τόσο κατά την διάρκεια του προγράμματος όσο και έπειτα ανεξάρτητα από αυτό στην εργασία τους ή σε τυχόν περαιτέρω σπουδές τους.

 

Αναγκαιότητα του προγράμματος – καινοτομία προγράμματος

Η Τεχνητή Νοημοσύνη και η Μηχανική Μάθηση αποτελούν σύγχρονα ισχυρά μεθοδολογικά εργαλεία με εφαρμογές σε όλες τις επιστήμες. Η εξειδικευμένη εκπαίδευση σε αυτές περιορίζεται σε περιορισμένα Μεταπτυχιακά Προγράμματα. Το πρόγραμμα έρχεται να καλύψει αυτό το κενό σε κάθε ενδιαφερόμενο.

Παρουσιάζονται οι μεθοδολογίες «απλά, κατανοητά και πρακτικά», με πολλά παραδείγματα, και άμεση εφαρμογή με την χρήση της Python. Είναι δομημένο σε σύντομες αλλά περιεκτικές ενότητες που παρουσιάζουν με απλό τρόπο, αλλά ταυτόχρονα, με επιστημονική ακρίβεια την ορολογία, τις μεθοδολογίες, τις εφαρμογές και τα αποτελέσματα με βάση την ΤΝ και ΜΜ.

Το πρόγραμμα είναι σχεδιασμένο έτσι ώστε:

• Να μπορεί να το παρακολουθήσει κάθε ενδιαφερόμενος.
• Ελάχιστο προσόν θεωρείται το απολυτήριο λυκείου
• Ο εκπαιδευόμενος θα μπορεί μετά από αυτό να:
  • συλλέγει κατάλληλα και αξιόπιστα δεδομένα
  • να τα επεξεργάζεται κατάλληλα για κάθε περίπτωση
  • να δημιουργεί μοντέλα προβλέψεων χρησιμοποιώντας τους κατάλληλους αλγόριθμους AI και ML.

Δομή του προγράμματος

Το πρόγραμμα είναι 4μήνης διάρκειας, 204 ωρών και απαρτίζεται από 8 θεματικές ενότητες-

1. Εισαγωγή στην Τεχνητή Νοημοσύνη και στην Μηχανική Μάθηση.

• Σε αυτήν την θεματική ενότητα θα παρουσιαστούν οι βασικοί στόχοι του προγράμματος (τι θα έχουν μάθει και τι θα μπορούν κάνουν πρακτικά οι σπουδαστές που θα το ολοκληρώσουν με επιτυχία).
• Θα παρουσιαστούν οι βασικές αρχές της ΤΝ και της ΜΜ.
• Τι καλείται «μάθηση» και πως διαφοροποιείται από την κλασσική προσέγγιση της Στατιστικής.
• Θα γίνει εισαγωγή στις έννοιες Unsupervised Learning, Supervised Learning, Reinforced Learning

2. Παρουσίαση – Εξοικείωση στην πλατφόρμα Anaconda – Python – Jupiter.

• Σε αυτήν την θεματική ενότητα θα γίνει σύντομη παρουσίαση της πλατφόρμας προγραμματισμού Anaconda που θα χρησιμοποιήσουν στα πλαίσια του προγράμματος οι σπουδαστές.
• Επίσης οι σπουδαστές θα έχουν την πρώτη τους επαφή με το Jupyter Notebook, στο οποίο θα εκτελούν τις εντολές της γλώσσας Python.
• Θα γίνει μια πρώτη εισαγωγή στον προγραμματισμό με την γλώσσα Python (σε αυτό το σημείο ο στόχος δεν είναι να μάθουν οι ενδιαφερόμενοι προγραμματισμό, αλλά να μπορούν να εφαρμόσουν συγκεκριμένες συναρτήσεις (έτοιμα scripts) που αφορούν την Τεχνητή Νοημοσύνη και την Μηχανική Μάθηση)

3. Unsupervised Learning

• Σε αυτήν την θεματική ενότητα θα παρουσιάσουμε την Unsupervised Learning.
• Θα δείξουμε ποια προβλήματα μπορούν να αντιμετωπισθούν με Unsupervised Learning.
• Θα παρουσιάσουμε τις βασικές εφαρμογές και μεθοδολογίες της επικεντρώνοντας στις μεθόδους PCA και K-means.
• Θα γίνει πρακτική εφαρμογή των μεθόδων σε πρόβλημα marketing

4. Supervised Learning – Support Vector Machines (Εισαγωγή)

• Σε αυτήν την θεματική ενότητα θα παρουσιάσουμε την Supervised Learning.
• Θα ξεκινήσουμε την παρουσίαση της μεθοδολογίας των Support Vector Machines, για ταξινόμηση και παλινδρόμηση.
• Θα δείξουμε την ιστορική εξέλιξη της μεθοδολογίας και τις βελτιώσεις που έφερε η κάθε μεταβολή: α) η ιδανική περίπτωση με hard margin, β) η περίπτωση των δεδομένων με θόρυβο και το soft margin μοντέλο, γ) η περίπτωση της μη-γραμμικότητας και το μοντέλο με kernels.
• Θα γίνει γεωμετρική παρουσίαση της κάθε περίπτωσης

5. Supervised Learning – Support Vector Machines (Εφαρμογή)

• Σε αυτήν την θεματική ενότητα θα εμβαθύνουμε στην μεθοδολογία των Support Vector Machines.
• Θα δείξουμε τις διαδικασίες fine-tuning για να εντοπισθούν οι παράμετροι του βέλτιστου μοντέλου.
• Θα αναλύσουμε το πρόβλημα της overfitting κατά την διάρκεια της εκπαίδευσης του μοντέλου και την λύση του Cross-Validation
• Θα γίνει πρακτική εφαρμογή των μεθόδων σε πρόβλημα πρόγνωσης

6. Επιβλεπόμενη Μάθηση – Random Forests (Εισαγωγή)

• Η θεματική ενότητα ξεκινάει με την παρουσίαση του Decision Tree και της λειτουργίας του.
• Θα δείξουμε πως συνδυάζονται πολλά Decision Trees δημιουργώντας το μοντέλο που ονομάζεται Random Forest.

7. Επιβλεπόμενη Μάθηση – Random Forests (Εφαρμογή)

• Σε αυτήν την θεματική ενότητα θα εμβαθύνουμε στα μοντέλα Random Forests.
• Θα αναφερθούμε στο fine tuning ενός Random Forest και της διαδικασίας που εντοπίζουμε την βέλτιστο μοντέλο.
• Θα αναλύσουμε το πρόβλημα του overfitting και την διαδικασία αντιμετώπισης στην περίπτωση των Random Forests
• Θα γίνει πρακτική εφαρμογή των μεθόδων σε πρόβλημα ταξινόμησης

8. Bagging – Boosting

• Σε συνέχεια της ενότητας 7 θα εμβαθύνουμε στις μεθοδολογίες Bagging και Boosting.
• Θα αναλύσουμε πως μπορούμε να συνδυάσουμε πολλούς απλούς γραμμικούς ταξινομητές χαμηλής αποτελεσματικότητας και να κατασκευάσουμε έναν ταξινομητή υψηλής αποτελεσματικότητας.
• Θα αναφερθούμε χωρίς να εμβαθύνουμε στις μεθοδολογίες Gradient Boosting και την state-of-the-art βιβλιοθήκη XGBoost.

 

Εκπαιδευτές

Στο πρόγραμμα διδάσκουν

• ΠΕΡΙΚΛΗΣ ΓΚΟΓΚΑΣ, Καθηγητής ΔΠΘ
• ΘΕΟΦΙΛΟΣ ΠΑΠΑΔΗΜΗΤΡΙΟΥ, Καθηγητής ΔΠΘ
• ΕΜΜΑΝΟΥΗΛ ΣΟΦΙΑΝΟΣ, Υποψήφιος Διδάκτορας ΔΠΘ
• ΕΜΜΑΝΟΥΗΛ ΖΑΓΑΝΙΔΗΣ, Υποψήφιος Διδάκτορας ΔΠΘ

Μεθοδολογία υλοποίησης προγράμματος

• H εξ αποστάσεως ασύγχρονη διδασκαλία κρίνεται ως ενδεδειγμένη μεθοδολογία, καθώς οι εκπαιδευόμενοι αναμένεται να προέρχονται από διαφορετικές γεωγραφικές περιοχές, ενώ ταυτόχρονα δίνει τη δυνατότητα στους συμμετέχοντες να προσαρμόζουν τη μελέτη τους σύμφωνα με τις εξατομικευμένες τους ανάγκες.
• Οι θεματικές ενότητες θα περιέχουν φυσική διδασκαλία με ασύγχρονη τηλεκπαίδευση μέσω εγγεγραμμένων video με τη μορφή webinar. Σε αυτά οι διδάσκοντες θα παρουσιάζουν, αναλύουν και εξηγούν επιλεγμένες έννοιες ή αντικείμενα.
• Επιπλέον, θα παρέχεται πλούσιο υλικό με την μορφή κειμένων σε pdf, παρουσιάσεων ppt, βιβλιογραφία και ασκήσεις αυτοαξιολόγησης.

Όταν κρίνεται απαραίτητο θα υπάρχουν και εξ αποστάσεως σύγχρονα sessions στην πλατφόρμα Google Meet σε προκαθορισμένες ημερομηνίες. Στις περιπτώσεις αυτές, τα video θα αναρτώνται επίσης στην πλατφόρμα.

Τόπος Υλοποίησης Προγράμματος

Διαδικτυακά μέσω της πλατφόρμας τηλεκπαίδευσης «eclass» καθώς και την διαδικτυακή πλατφόρμα Google Meet για την οποία δε χρειάζεται η εγκατάσταση κάποιου προγράμματος.

Κόστος συμμετοχής

Το κόστος συμμετοχής ανέρχεται στα 500€. Το ποσό αυτό καταβάλλεται σε 2 ισόποσες δόσεις των 250€. Η καταβολή του ποσού της πρώτης δόσης αποτελεί προϋπόθεση για την συμμετοχή στο Πρόγραμμα.

ΟΔΗΓΙΕΣ ΠΛΗΡΩΜΗΣ

Η κατάθεση θα γίνει στον Τραπεζικό Λογαριασμό GR98 0172 3520 0053 5209 2260 595 της Τράπεζας Πειραιώς με την αιτιολογία: «ΚΕ 70026 (ΚΕΔΙΒΙΜ), το Ονοματεπώνυμό και το όνομα Πατρός»

Εάν η κατάθεση γίνει από άλλη Τράπεζα στο όνομα δικαιούχου που θα χρειαστεί θα αναγραφεί «Ειδ. Λογ. Κονδυλίων Έρευνας ΔΠΘ»

Το αποδεικτικό της κατάθεσης θα πρέπει να αποσταλεί στο e-mail: economicsduth+aiml@gmail.com και θα πρέπει να λάβετε email επιβεβαίωσης της λήψης του. Σε περίπτωση απρόοπτου κωλύματος παρακολούθησης του προγράμματος, προβλέπεται η επιστροφή των χρημάτων, αρκεί αυτό να δηλωθεί ημερολογιακά πριν την έναρξη του προγράμματος.

Οι παρακάτω κατηγορίες υποψηφίων δικαιούνται έκπτωση 30%.

• Άτομα με ειδικές ανάγκες
• Υπάλληλοι Δ.Π.Θ.

Οι παραπάνω θα πρέπει να συνοδεύουν την αίτηση τους με τα απαραίτητα έγγραφα που να πιστοποιούν πως ανήκουν σε μία από τις παραπάνω κατηγορίες.

Οι εκπτώσεις σε καμία περίπτωση δεν λειτουργούν συνδυαστικά ή αθροιστικά.

 

Κριτήρια αξιολόγησης των αιτήσεων

Ο μέγιστος αριθμός εισακτέων του προγράμματος ορίζεται στους 45

Για την επιλογή, θα τηρηθεί σειρά προτεραιότητας με βάση τον χρόνο υποβολής της αίτησης.

Υποβολή Αιτήσεων και δικαιολογητικά

Έναρξη υποβολής αιτήσεων: 10/2/2023

Καταληκτική ημερομηνία: 10/3/2023

Η υποβολή των αιτήσεων γίνεται μόνο ηλεκτρονικά μέσω της ιστοσελίδας του Κ.Ε.ΔΙ.ΒΙ.Μ. (https://kedivim.duth.gr/).

H ηλεκτρονική αίτηση επέχει Υπεύθυνη δήλωση σύμφωνα με την παρ. 4 του άρθρου 8 του ν. 1599/1986, στην οποία θα δηλώνει ότι αποδέχεται ανεπιφύλακτα όλους τους όρους του Προγράμματος, όπως αυτοί αναφέρονται στη δημόσια πρόσκλησή του.

Τα απαιτούμενα δικαιολογητικά που πρέπει να υποβάλει ο υποψήφιος για τη συμμετοχή του στο Πρόγραμμα κατ’ ελάχιστο είναι:

1. Αντίγραφο αστυνομικής ταυτότητας
2. Αντίγραφο ενός από τα παρακάτω που δείχνει ότι είναι κατ’ ελάχιστον απόφοιτος/η λυκείου:
3. Απολυτήριο λυκείου
4. Πτυχίο
5. Βεβαίωση της γραμματείας για φοίτηση σε σχολή Τριτοβάθμιας Εκπαίδευσης
6. Σύντομο Βιογραφικό Σημείωμα

Ενστάσεις θα γίνονται δεκτές το αργότερο 5 ημέρες αφού αναρτηθεί ο πίνακας εισακτέων.

Πληροφορίες

Για περισσότερες πληροφορίες οι ενδιαφερόμενοι μπορούν να απευθύνονται στον κ. Περικλή Γκόγκα στο email economicsduth+aiml@gmail.com