Το μάθημα περιλαμβάνει μια εισαγωγή στα περιβάλλοντα προγραμματισμού Python, R, Rapidminer, και Weka και βιβλιοθήκες αλγορίθμων μηχανικής μάθησης για ανάλυση μεγάλης κλίμακας δεδομένων. Το μάθημα εστιάζεται σε πιθανοτικά μοντέλα μηχανικής μάθησης για μεγάλου όγκου δεδομένων που προέρχονται από πραγματικές εφαρμογές όπως οικονομία, επιχειρηματικότητα, διακυβέρνηση, υγεία, IoT (internet of things). Η άντληση δεδομένων από κοινωνικά δίκτυα, web, και πηγές στη μορφή κειμένου και η προετοιμασία των για εφαρμογή τεχνικών μηχανικής μάθησης απασχολεί σημαντικό μέρος του μαθήματος.
Το μάθημα εξετάζει σημαντικές πιθανοτικές τεχνικές μηχανικής μάθησης όπως γραμμική και μη-γραμμική παλινδρόμηση νευρωνικά δίκτυα και προεκπαιδευμένα γενεσιουργή μοντέλα, δέντρα αποφάσεων, διανυσματικές μηχανές υποστήριξης, εποπτευόμενη και ημι-εποπτευόμενη μάθηση, ενισχυτική και μεταφερόμενη μάθηση, και αιτιώδης μάθηση. Επιπλέον, το μάθημα περιλαμβάνει σύντομη επισκόπηση της θεωρίας πιθανοτήτων και στατιστικής, και μεθόδων βελτιστοποίησης που αποτελούν βασικό υπόβαθρο των τεχνικών μηχανικής μάθησης.

Σκοπός του μαθήματος είναι να αποκτήσει ο φοιτητής σε βάθος γνώση σε πιθανοτικά και προεκπαιδευμένα γενεσιουργή (generative pre-trained transformer) μοντέλα μηχανικής μάθησης για μεγάλου όγκου δεδομένων, την χρήση τους σε σημαντικές εφαρμογές, και μεθόδους μάθησης. Δίνονται βασικά στοιχεία της θεωρίας μάθησης έτσι ώστε να αποκτήσει αντίληψη του τι είναι εφικτό από τα μοντέλα αυτά, ποιες είναι οι δυνατότητες και ποιοι οι περιορισμοί που υπάρχουν στη μάθηση.
Επιπλέον ο φοιτητής / η φοιτήτρια υποχρεούται να επιδείξει την ικανότητα αφομοίωσης της γνώσης που παρέχεται από το μάθημα σε μια μεγάλης κλίμακας εργασία.

Οι απαιτήσεις του μαθήματος περιλαμβάνουν εργαστήρια προγραμματισμού, δοκίμια / εκθέσεις (γραμμένα σε latex), παρουσιάσεις (jupyter notebook) και σημαντικές εργασίες που καλύπτουν το 60% του τελικού βαθμού.
Επιπλέον, οι φοιτητές / φοιτήτριες θα πρέπει να ολοκληρώσουν τρία μαθησιακά κουίζ στο παραπάνω υλικό στο εργαστήριο χωρίς πρόσβαση στο διαδίκτυο. Ορισμένα κουίζ μπορεί να αντικατασταθούν από μια συστηματική ανασκόπηση του υλικού σε διάφορα στάδια. Το τρίτο κουίζ μάθησης είναι υποχρεωτικό. Ο συνολικός βαθμός στα τρία κουίζ θα βαθμονομήσει ολόκληρο τον βαθμό του φοιτητή / φοιτήτριας στις υπόλοιπες εργασίες του μαθήματος

1. Εισαγωγή στην επιστήμη δεδομένων και προγραμματιστικά περιβάλλοντα Python, R, jupyter πλατφόρμες (1 εβδομάδα)
2. Σύντομη επισκόπηση στοιχείων θεωρίας πιθανοτήτων και στατιστικής (1 εβδομάδα)
3. Σύντομη επισκόπηση τεχνικών βελτιστοποίησης (1 εβδομάδα)
4. Τεχνικές μηχανικής χαρακτηριστικών (Feature Engineering) (2 εβδομάδες)
5. Εισαγωγή σε βασικές πιθανοτικές τεχνικές μηχανικής μάθησης (3 εβδομάδες)
6. Μελέτη και προγραμματισμός με προεκπαιδευμένα γενεσιουργή μοντέλα (generative pre-trained transformer) (2 εβδομάδες)
7. Τεχνικές ημι-εποπτευόμενη, μεταφορική, αιτιώδη μάθηση (semi-supervised and transfer, causal learning) (2 εβδομάδες)
8. Παρουσιάσεις τελικών εργασιών (1 εβδομάδα)