Εργαστήριο

Top-level directory

• 01. Intro Python Notebooks

  • 01.1 Python Jupyter Notebooks.pdf

  • 01.2 Intro Notebooks.pdf

• 02. Classification 1

  • 0. Machine Learning Short Introduction.gslides

  • Άσκηση 01 Pima Indians.ipynb

  • Ασκηση 02 kNN from scratch.ipynb

  • Classification 1.1 datasets - train test sets - GNB.ipynb

  • Classification 1.2 bias variance - knn - crossvalidation.

• 03. Classification 2

  • Άσκηση 03 GBN LR kNN στο Pima Indians.ipynb

  • Classification 2.1 logistic regression - evaluation metrics.ipynb

  • Classification 2.2 data preprocessing - MLP.ipynb

• 04. Classification 3

  • Άσκηση 04 Βελτιστοποίηση kNN και SVC στο Iris με την Optuna.ipynb

  • classification 3.1 gridsearchcv - hyperparameter optimization.ipynb

  • classification 3.2 SVM.ipynb

• 05. Clustering 1

  • Άσκηση 05 kMeans.ipynb

  • Άσκηση 06 kMeans - HAC - DBSCAN - Fuzzy cMeans σε συνθετικά datasets (playground).ipynb

  • Clustering 1.1 Intro - kMeans - Evaluation.ipynb

  • Clustering 1.2 Hierarchical - Density - Fuzzy.ipynb

• 06. Text Mining

  • Άσκηση 07 Text Mining Βελτιστοποίηση TF-IDF.ipynb

  • Text Mining 1.1 Intro.ipynb

  • Text Mining 1.2 Word Embeddings (Word2Vec).ipynb

  • Word_Embeddings_Intro.pdf

• 07. Clustering 2. Γκαουσιανά Μοντέλα Μείξης και Αυτο-οργανούμενοι Χάρτες

  • Άσκηση 08 - Χρήση των GMMs ως Παραγωγικών Μοντέλων.ipynb

  • Άσκηση 09 - Αυτο-οργανούμενοι Χάρτες.ipynb

  • Clustering 2.1 Γκαουσιανά Μοντέλα Μείξης.ipynb

  • Clustering 2.2 Αυτο-οργανούμενοι Χάρτες.ipynb

• 08. Γενετικοί Αλγόριθμοι και Βελτιστοποίηση

  • Άσκηση 10 Βελτιστοποίηση με ΓΑ.ipynb

  • auxiliary.py

  • Genetics 1 Εξελικτική βελτιστοποίηση με Γενετικούς Αλγόριθμους.ipynb

  • Genetics 2 Εισαγωγή στην βιβλιοθήκη ΓΑ DEAP.ipynb

  • Genetics 3 Επίλυση του 0-1 Knapsack με Γενετικούς Αλγόριθμους.ipynb

• 09. Εισαγωγή στη Βαθιά Μάθηση - Συνελικτικά δίκτυα

  • Άσκηση 11 Deep Learning on MNIST.ipynb

  • DL1 - Εισαγωγή στη Βαθιά Μάθηση και TF2 - Συνελικτικά δίκτυα.ipynb

• 10. CNN, Μεταφορά Μάθησης, RNN, Εφαρμογές

  • Άσκηση 12 Βελτίωση της επίδοσης στο CIFAR-100 (playground).pdf

  • DL 2.1 CIFAR-100, Transfer Learning, Βελτιστοποίηση.ipynb

  • DL 2.2 Εφαρμογές RNN - CNN.pdf

  • xmas reading list.pdf

• 11. Reinforcement Learning

  • DQN Cartpole.ipynb

  • Taxi-v3.ipynb

• 12. Αυτοκωδικοποιητές, GAN και εφαρμογές

  • Άσκηση 12 - Αυτοκωδικοποιητές.ipynb

  • Άσκηση 13 - Fashion-MNIST.ipynb

  • Αυτοκωδικοποιητές.ipynb

  • GAN_MNIST.ipynb

• Λύσεις ασκήσεων

  • Άσκηση 01 Pima Indians - Solution.ipynb

  • Ασκηση 02 kNN from scratch - Solution.ipynb

  • Άσκηση 03 GBN LR kNN στο Pima Indians - solution.ipynb

  • Άσκηση 04 Βελτιστοποίηση kNN και SVC στο Iris με την Optuna - solution.ipynb

  • Άσκηση 05 kMeans - Solution.ipynb

  • Άσκηση 07 Text Mining Βελτιστοποίηση TF-IDF - Solution.ipynb

  • Άσκηση 08 Χρήση των GMMs ως Παραγωγικών Μοντέλων - Solution.ipynb

  • Άσκηση 09 Αυτο οργανούμενοι Χάρτες - Solution.ipynb

  • Άσκηση 10 Βελτιστοποίηση με ΓΑ - Solution.ipynb

  • Άσκηση 11 Deep Learning on MNIST - Solution.ipynb

  • Άσκηση 12 - Αυτοκωδικοποιητές (solution).ipynb