Εκμάθηση μεθόδων τεχνητής νοημοσύνης και μηχανικής μάθησης και εφαρμογή τους σε προβλήματα εφοδιαστικών αλυσίδων, μεταφορών, αυτόνομων οχημάτων και έξυπνων πόλεων.

• Εισαγωγή στην Επιστήμη των Δεδομένων και ανάλυση δεδομένων μεγάλης κλίμακας.
• Τεχνητή Νοημοσύνη (ΤΝ) και Μηχανική Μάθηση (ΜΜ) (αλγόριθμοι αναζήτησης, στατιστική μάθηση).
• Επιβλεπόμενη Μάθηση (SVM, δέντρα αποφάσεων, λογιστική παλινδρόμηση).
• Τεχνητά Νευρωνικά Δίκτυα και Βαθιά Μάθηση (CNN, RNN, LSTM).
• Ενισχυτική Μάθηση και Μη Επιβλεπόμενη Μάθηση (Clustering, k-means).

• S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach.
• K.P. Murphy. Machine Learning: A Probabilistic Perspective.
• I. Goodfellow, et al. Deep Learning, MIT Press, 2016.

Διαφάνειες, γλώσσες R και Python, βιβλιοθήκες (Keras, TensorFlow, PyTorch, Theano).

Ελληνική ή Αγγλική.

Διαλέξεις και Εργασίες.

• Γραπτή εξέταση (50%).
• Εργασίες (50%).

190.