Στη σύγχρονη επιστήμη, τεχνολογία, οικονομία την ιατρική αλλά και στα μέσα κοινωνικής δικτύωσης, μηχανές αναζήτησης, κλπ παράγεται μεγάλο πλήθος δεδομένων (big data) τα οποία απαιτούν εξειδικευμένες μαθηματικές και υπολογιστικές μεθόδους προκειμένου να αναλυθούν και χρησιμοποιηθούν. Η επιστήμη των δεδομένων (data science) είναι ο διεπιστημονικός τομέας που ενοποιεί πεδία όπως μαθηματική στατιστική ανάλυση, επιστήμη της πληροφορίας, ανάλυση δεδομένων, μηχανική μάθηση και άλλα συναφή, προκειμένου να αναλύσει, κατηγοριοποιήσει, προβλέψει και ερμηνεύσει φαινόμενα από τα διαθέσιμα δεδομένα. Οι σύγχρονες μέθοδοι μηχανικής μάθησης (machine learning) έχουν διαδραματίσει σημαντικό ρόλο στην πρόοδο της επιστήμης των δεδομένων. Επιμέρους πεδία, όπως μέθοδοι βασισμένες σε νευρωνικά δίκτυα, έχουν παίξει καθοριστικό ρόλο στην πολύ πρόσφατη πρόοδο που παρατηρείται σε πολλούς τομείς όπως η αναγνώριση ομιλίας, η μηχανική μετάφραση και η ρομποτική μεταξύ άλλων.
Σκοπός αυτού του μαθήματος είναι οι φοιτητές του Τμήματος Φυσικής να εμβαθύνουν τις γνώσεις τους στον τομέα της μηχανικής μάθησης, χρησιμοποιηώντας τα πλέον σύγχρονα υπολογιστικά εργαλεία της επιστήμης των δεδομένων με μεθόδους ενεργούς μάθησης. Στο μάθημα θα παρουσιαστούν οι μαθηματικές έννοιες του τομέα της μηχανικής μάθησης και θα αναδειχθούν οι συσχετίσεις τους με έννοιες και μεθόδους της στατιστικής φυσικής. Ταυτόχρονα θα επικεντρωθούμε σε υπολογιστικές (hands-on) εφαρμογές των μεθόδων αυτών με χρήση δεδομένων από τα πεδία της φυσικής και γενικότερα των φυσικών επιστημών. Οι φοιτητές θα εκπαιδευθούν στην χρήση σύγχρονων υπολογιστικών εργαλείων και γλωσσών προγραμματισμού (Google Colab, Jupyter-Νotebooks, Python, σύγχρονα ML υπολογιστικά πακέτα ανοικτού κώδικα). Μέσω του Google Colab οι φοιτητές θα έχουν την δυνατότητα να εξοικειωθούν στην χρήση μιας υπερσύγχρονης και διαρκώς εξελισσόμενης πλατφόρμας, που τους παρέχει δωρεάν πρόσβαση σε επεξεργαστές τελευταίας τεχνολογίας (CPUs - GPUs και TPUs), χωρίς να χρειάζονται τίποτα περισσότερο από μια ηλεκτρονική συσκευή με δυνατότητα πλοήγησης στο διαδίκτυο.
Παρασκευή,17:00-20:00, Αίθουσα Υπολογιστών 2
Εβδομάδα 2. Πλήρως διασυνδεδεμένα βαθιά νευρωνικά δίκτυα. Εφαρμογές με χρήση των πακέτων TensorFlow/Keras.
Εβδομάδα 3. Βαθιά υπολογιστική όραση (Ι). Convolutional Neural Networks (CNN).
Εβδομάδα 4. Βαθιά υπολογιστική όραση (ΙΙ). Pre-trained Models for Transfer Learning.
Εβδομάδα 5. Unsupervised Learning (I). Autoencoders.
Εβδομάδα 6. Unsupervised Learning (II). Generative Adversarial networks (GANs).
Εβδομάδα 7. Πρόβλεψη χρονοσειρών (Ι). Recurrent Neural Networks και CNN.
Εβδομάδα 8. Πρόβλεψη χρονοσειρών (ΙΙ). Natural Language Processing with RNNs.
Εβδομάδα 9. Physics Informed Neural Networks.
Εβδομάδα 10. Reinforcement Learning. Markov Decision Processes, Q-learning, Deep Q-learning.
Εβδομάδα 11. Boltzmann Machines.
Εβδομάδα 12. Προετοιμασία εργασιών.
Εβδομάδα 13. Παρουσίαση εργασιών.
1. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd Edition by Aurelien Geron (2019).
2. Deep Learning with Python, Manning Publications by Francois Chollet, (2017).
3. Deep Learning, by Goodfellow, Bengio and Courville (2016).
