THMMY.gr

γνωμη καποιος για αυτο?

Νομίζω πρώτη φορά διδάσκεται το μάθημα. Το κάνει ο Κεχαγιάς.
Κάποιες πληροφορίες έχει βάλει σε αυτό το πδφ στο elearning (https://elearning.auth.gr/pluginfile.php/1790055/mod_resource/content/1/DetEstSyllabus20210215.pdf)

Εξετάσεις, εργασία και σπιτεργασίες γίνονται σε ομάδες των 3.
Ο βαθμός από εργασία και σπιτεργασίες δεν κρατιέται για επόμενο έτος.

Το μάθημα το πήρα το εαρίνο εξάμηνο του 2023 με διδάσκων τον κ.Πετραντωνάκη.
Ύλη e-learning :
"Θεωρία Ανίχνευσης - Το προβλήμα της εξέτασης υποθέσεων. Ντετερμινιστικοί κανόνες απόφασης, Τυχαιοποιημένοι κανόνες απόφασης. Βέλτιστη εξέταση δυαδικών υποθέσεων κατά Bayes. Το τεστ λόγου πιθανοφάνειας και ισοδύναμα τεστ, Τεστ ελάχιστης πιθανότητας σφάλματος. Βέλτιστο τεστ κατά Neyman-Pearson. Εξέταση πολλαπλών και σύνθετων υποθέσεων κατά Bayes.

Θεωρία Εκτίμησης: Βέλτιστη εκτίμηση κατά Bayes, Εκτιμητής ελάχιστου μέσου τετραγωνικού σφάλματος, Εκτιμητής δεσμευμένου διάμεσου, Εκτιμητής μέγιστης εκ των υστέρων πιθανότητας, Εκτιμητής μέγιστης πιθανοφάνειας. Aμερόληπτος, ασυμπτωτικά αμερόληπτος και συνεπής εκτιμητής. Κάτω φράγμα Cramer-Rao για συνεπείς εκτιμητές.

Εκτίμηση Σήματος: Φίλτρο Wiener. Φίλτρο Kalman."

- Στα πρώτα μισά του εξαμήνου διδάχτηκε η Θεωρία Ανίχνευσης
- Στα δεύτερα μισά του εξαμήνου διδάχτηκε η Θεωρία Εκτίμησης  και δεν δώθηκε ιδιαίτερη βάση στις ασκήσεις για θέματα φίλτρων για την εκτίμηση σήματος.

Βαθμός: 30% από εργασίες + 70% από γραπτές εξετάσεις.
Γραπτές εξετάσεις: Επιλέγεις είτε (70%)τον Σεπτέμβριο εξέταση και στις δύο θεματικές ενότητες της Θεωρίας Ανίχνευσης και Εκτίμησης είτε (35%+35%) εξέταση με mid-term εξέταση(πρόοδο ) + εξέταση του Ιουνίου.
Εργασίες(15%+15%): Έγιναν 2 εργασίες η πρώτη ήταν ένα πρόβλημα βασισμένο στους κανόνες ρίσκου/Bayes/Minimax το οποίο το παρέδιδες σε αναφορά με την βοήθεια math equations word/LaTeX. Η δεύτερη εργασία ήταν η ανάλυση ενός paper από ένα pool θεμάτων σχετικών με το μάθημα σε μια παρουσίαση PowerPoint. Βέβαια οι εργασίες ήταν να γίνουν 3 με 3x10% αναλογία βαθμού σε style λύση προβλήματος και αποστολή αυτού σε αναφορά .pdf. Με διάφορες συνθήκες εκλογών και καταλήψεων πάρθηκε η απόφαση να γίνουν οι εργασίες εν τέλει όπως είπα. Αλλά άφησε να υπονοηθεί ότι θέλει να προσθέσει στις λύσεις προβλημάτων/παρουσίαση θέματος και κάποια εργασία προγραμματισμού python που θα είναι πιο αντιληπτές στον μαθητή οι έννοιες που πραγματευόμαστε στα thresholds αποφάσεων ή στα φίλτρα εκτίμησης σήματος. Βέβαια τυχόν αλλαγή στο πλάνο των εργασιών μπορείτε να τον ρωτήσετε και του χρόνου. 

TLDR: Αρκετά ευχάριστο μάθημα με οικίες μαθηματικές έννοιες βασισμένες σε πιθανότητες και κατανομές και με υλικό διδασκαλίας(.pdf lectures στο elearning/ασκήσεις στο μάθημα), το οποίο ανταποκρινόταν στις εξετάσεις/εργασίες.

Παραθέτω άποψη για το μάθημα μιας και είναι λίγο στεγνό το τόπικ εδώ.Το μάθημα πραγματεύεται ότι ο Callmaster είχε 2 εργασίες 20% η καθεμία και η εξέταση 70% οπότε ήταν κάπως προσθετικές.Γενικά η άποψη μου το συγκεκριμένο μάθημα είναι αρκετά θετική μιας και κάποιος που καταλαβαίνει από σήματα,ανάλυση δεδομένων και λίγο στοχαστικό μπορεί να μπεί αρκετά εύκολα στο ζουμί του μαθήματος.Θέλει δηλαδή ένα καλό μαθηματικό background από άλλα μαθήματα αλλιώς θα είσαι κάπως στα χαμένα.Ομολογώ ότι ο καθηγητής σε αντίθεση με τα άλλα μαθήματα που έχει σε αυτό το μάθημα κάνει κάτι πολύ καλύτερα εφόσον όμως παρακολουθείς ενταντικά.Δεν ανεβάζει ασκήσεις στο elearning ωστόσο οι ασκήσεις που κάνει είναι αρκετά αντιπροσωπευτικές αυτών που πέφτουν στις εξετάσεις και έχουν κάποιο ενδιαφέρον για κάποιον που αρέσει η επεξεργασία σήματος και η μηχανική μάθηση.Επεξηγεί μέσω αυτών πολύ καλά κάποιες παραδοχές που κάνεις σε ανάλυση δεδομένων μέχρι και γιατί υπάρχουν συγκεκριμένες μορφές activation funtion.Τα στατιστικά ήταν αρκετά καλά μάλιστα έπεσαν και ασκήσεις περίπου ίδιες με αυτές που έκανε στο μάθημα.Έχει χρήσιμες έννοιες σε ML ,DSP, και control theory με το kalman.