Μαθήματα

Χρήση στοχαστικών μεθόδων για την ανάλυση χρονοσειρών. Για περισσότερες πληροφορίες βλέπε το σχετικό αρχείο.

ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ 2021-2022

ΑΙΘΟΥΣΑ 2041 Κτ. Επιστημών, ΚΑΘΕ ΠΕΜΠΤΗ 5μμ-8μμ

This is a joint course (senior undergraduate - ECE Masters program - MLDS Masters Program - ECE Doctoral Program).

The course description is as follows:

• Brief summary of Linear Algebra concepts (vectors, planes, vector and matrix norms).
• Vectors and matrices in Matlab.
• Brief summary of functions of several variables (gradient, Hessian, level sets).
• Convex sets (definition and examples), operations on convex sets that preserve convexity.
• Convex functions (definition, examples), operations on convex functions that preserve convexity.
• Convex optimization problems (definition, examples), optimal points.
• Unconstrained optimization (characterization of optimal solution, gradient method, convergence analysis, Newton method, local convergence analysis).
• Convex optimization with constraints (Farkas Lemma, Fritz John conditions, conditions Karush-Kuhn-Tucker (KKT) - examples).
• Duality, Lagrangian, dual function, weak and strong duality – examples of dual problems.
• Convex optimization with affine equality constraints (Newton method, primal-dual).
• General convex optimization problems (barrier function, interior point method, primal-dual).
• Alternating Direction Method of Multipliers
• Introduction to distributed optimization

The Lab part of the course consists of four (4) projects which contain theoretical questions as well as matlab (or octave) code implementing selected optimization algorithms.

Grading;

• Final Exam 6/10,
• Projects (4/10).

Our main source will be the textbook

S. Boyd and L. Vandenberghe. "Convex Optimization," Cambridge University Press, 2004 (I uploaded the textbook in the "Εγγραφα" section).

See also the video series of recent Boy's lectures 

https://www.youtube.com/playlist?list=PLoROMvodv4rMJqxxviPa4AmDClvcbHi6h

Another excellent source is the book

A. Beck, Introduction to nonlinear optimization (2nd edition), SIAM.

Uncertainty and probabilistic reasoning. Robotic perception and action. Recursive state estimation: state space, belief space, prediction and correction, Bayes filter. Estimation filters: linear Kalman filter, extended Kalman filter, unscented Kalman filter, histogram filter, particle filter. Probabilistic motion models: velocity model, odometry model, sampling and probability density. Probabilistic observation models: beam model, scan model, feature model, sampling and probability density. Robot localization: Markov, Gaussian, Grid, Monte-Carlo. Robotic mapping: occupancy grid maps, feature maps, simultaneous localization and mapping (SLAM). Decision making under uncertainty, Markov decision processes (MDPs), optimal policies, value iteration, policy iteration. Partial observability, partially observable MPDs (POMDPs), augmented MDPs. Reinforcement learning, prediction and control, trial and error, approximate representations. Multi-robot planning, coordination, and learning.
syllabus

Το μάθημα δεν διαθέτει περιγραφή

Το μάθημα εστιάζει στην επεξεργασία, αρχειοθέτηση και αναζήτηση   πληροφορίας κειμένου, μονοδιάστατου σήματος, στατικής και κινούμενης εικόνας (video) σε πληροφοριακά συστήματα και το Διαδίκτυο. Εξετάζονται: Kλασσικά μοντέλα ανάκτησης πληροφορίας (Δυαδικό, Σχεσιακό, Πιθανοτικό) και επεκτάσεις τους. Αμφίδρομη αναζήτηση πληροφορίας (relevance feedback), Ομαδοποίηση πληροφορίας (clustering) και αλγόριθμοι ομαδοποίησης (διαιρετικοί, ιεραρχικοί, υβριδικοί αλγόριθμοι), εφαρμογές ομαδοποίησης σε συλλογές κειμένων. Δυναμικές μέθοδοι ομαδοποίησης (X-means, BIC- means, DBSCAN). Παράσταση περιεχομένου μονοδιάστατων σημάτων και εικόνας σε συστήματα πολυμέσων. Εξαγωγή χαρακτηριστικών χρώματος, υφής, σχήματος και χωρικών σχέσεων από εικόνες. Μέθοδοι ανάκτησης για μονοδιάστατα σήματα και εικόνα. Τεχνικές δεικτοδότησης (indexing) σε πληροφοριακά συστήματα για κείμενο και πολυμεσική πληροφορία (ανεστραμμένα αρχεία, k-d-Trees, Grid files, R-trees, R+-trees,  space filling curves). Μείωση διάστασης χώρου (dimensionality reduction). Σχεδιασμός πληροφοριακών συστημάτων στο Διαδίκτυο, διαχείριση και ανάλυση πληροφορίας στο Διαδίκτυο (μέθοδοι PageRank, HITS). Τεχνικές πλοήγησης στο Διαδίκτυο (classic and focused crawling). Σημασιολογικός ιστός και οντολογίες. Εισαγωγή στο σημασιολογικό ιστό. Κατασκευή οντολογιών και χρήση οντολογιών σε πληροφοριακά συστήματα. Βασικές τεχνικές επεξεργασίας και ανάλυσης στατικής και κινούμενης εικόνας (video) σε πληροφοριακά συστήματα. Εμπορικά και Πειραματικά συστήματα διαχείρισης εικόνας. Τεχνικές συμπίεσης (compression) JPEG, Πρότυπα MPEG-1, 2, 4, 7. Κατάτμηση video (video segmentation into shots, shot aggregates).

Στοιχεία οπτικής και φυσικής στερεάς κατάστασης, διαμόρφωση φωτός, οθόνες, Lasers, εφαρμογές των Lasers, φωτοανιχνευτές, οπτικές ίνες, συστήματα οπτικής επικοινωνίας, προχωρημένα θέματα οπτοηλεκτρονικής