THMMY.gr

---------------------------------------------------------------------------------------------------------------------------------------------------
Το μάθημα διδάσκεται πλέον από τον Α. Συμεωνίδη κατόπιν της συνταξιοδότησης του Μ.Γ. Στρίντζη, οπότε πιθανόν πολλά από τα παραπάνω να μην ισχύουν, το νου σας

Όσοι το πήραν πέρυσι με Συμεωνίδη ας δώσουν τα φώτα τους!

λοιπον
-εχει μια προαιρετικη εργασια στο τελος( ημερομηνια παραδοσης καπου στο φλεβαρη)που δινει  1,5 προσθετικη μοναδα στον τελικο βαθμο
-εχει 2 προοδους (40-60) και την κανονικη εξεταση στο τελος.αν παρεις προσβασιμο βαθμο απο τις προοδους δεν χρειαζεται να κατεβεις στην εξετα
-η εξεταση γινεται στο pc στη βεργινα και συνηθως εχεις αρκετα να κανεις με σχετικα λιγο χρονο
-το υλικο των διαλεξεων/scriptakia δινονται κατα την εξεταση
-συνοψίζοντας,για εμένα,νομιζω οτι ισως χρειαζεται σχετικα καλη προσπαθεια για να παρεις βαθμο για ενα μαθημα επιλογης

+1 αν και τελικά δεν πήρα καλό βαθμό, πιστεύω ότι σαν αντικείμενο και σαν οργάνωση μαθήματος αξίζει πάρα πολύ!

Ενδιαφέρον αντικείμενο που είναι και της μόδας τα τελευταία χρόνια. :P

Το μάθημα είναι μία εισαγωγή στο ML, θα δεις μερικούς αλγόριθμους και τεχνικές που χρησιμοποιούνται. Δεν ασχολείται πολύ με το μαθηματικό μέρος. Θα μάθεις λίγο R, όπου θα δεις και στη πράξη πως γίνονται όλα αυτά. Το αντικείμενο είναι μεγάλο και στο μάθημα θα δεις μόνο λίγα βασικά πράγματα, αλλά είναι μία καλή αρχή για να ασχοληθείς μετά σε δικό σου χρόνο/στη δουλειά σου.

Η πρώτη πρόοδος ήταν αρκετά δύσκολη, λόγω του περιορισμένου χρόνου. Στη δεύτερη είχαμε επαρκή χρόνο και τα θέματα ήταν πιο εύκολα. Ωστόσο, έγραψα χειρότερα, κάτι που είναι εύκολο να γίνει σε ηλεκτρονικές εξετάσεις οπότε θέλει ιδιαίτερη προσοχή.

Αν πας παρακολουθήσεις και εργαστήριο στο τέλος δε θα χρειαστείς πολύ διάβασμα.

Ας πω τη γνώμη μου τώρα που τα έχω φρέσκα.

Το μάθημα είναι νομίζω το μοναδικό (τουλάχιστον στο ΠΠΣ) που ασχολείται με τεχνικές μηχανικής μάθησης και νευρωνικών δικτύων. Αποτελεί ουσιαστικά μια εισαγωγή στο συγκεκριμένο αντικείμενο. Η ύλη είναι πολύ μεγάλη και ως εκ τούτου δεν εμβαθύνουμε πολύ στην κάθε έννοια. Δεν γίνεται όμως και πασάλειμμα. Θα μάθετε σίγουρα πολλά πράγματα.

Από άποψη οργάνωσης, είναι κλασικό μάθημα Συμεωνίδη. 2 πρόοδοι ή/και τελική εξέταση. Οι μεταπτυχιακοί είναι πολύ καλοί και τα εργαστήρια θεωρώ πως βοηθάνε πολύ. Έχει και προαιρετική εργασία για +1.5 Λένε ότι είναι πολύ απαιτητική και κάτι τέτοιο φάνηκε και από τους βαθμούς. Δυστυχώς δεν είχα το χρόνο να ασχοληθώ. Φάνηκε πολύ ενδιαφέρουσα όμως φέτος.

Γενικά το προτείνω φούλ το μάθημα. Καλύπτει σε μεγάλο βαθμό θέματα ενός πολύ hot κλάδου. Με σχετικά συχνή ενασχόληση έγραψα πολύ καλό βαθμό. Δεν το θεωρώ πολύ δύσκολο αλλα σίγουρα δεν είναι ξεπέτα.

το μαθημα ειναι μηχανικη μαθηση στην ουσια και ειναι ακριβως το αντικειμενο των διπλωματικων του συμεωνιδη οπως και του ερευνητικου του εργου
γενικα ειναι κλασικο μαθημα συμεωνιδη ασκησεις σε εργαστηριο ηλεκτρονικη εξεταση εχει προοδους οι οποιες δεν ειναι πολυ δυσκολες αλλα ο χρονος ειναι ισα ισα
θελει δουλιτσα θελει διαβασμα αλλα ειναι ποιοτητα οπως και ο συμεωνιδης

Λίγο πολύ, συμφωνώ με τα παιδιά που έγραψαν πριν. Αυτό που έχω να προσθέσω είναι πως:

• Το μαθηματικό υπόβαθρο των τεχνικών/αλγορίθμων δεν -πολύ- καλύπτεται. Άρα μερικά πράγματα τα μαθαίνεις και βλέπεις ότι λειτουργούν με τα παραδείγματα στο εργαστήριο.
• Οι διαφάνειες του μαθήματος, εμένα δεν με βόλεψαν και πήγαινα και στα μαθήματα. Ευτυχώς το βίβλιο του μαθήματος (ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ) με κάλυψε σε αυτά που ήθελα εγώ να διαβάσω για το μάθημα.
• Το μάθημα/εργαστήριο γίνεται σε R, που προσωπικά με έβγαλε την πίστη.

Το προτείνω αν θέλετε να ασχοληθείτε με το αντικείμενο (ή τουλάχιστον να πάρετε μια ιδέα για βασικούς αλγορίθμους). Σίγουρα θέλει δουλειά και ενασχόληση, ειδικά αν κάνετε την εργασία.

χρειαζεται καποια προαπαιτουμενα?

Δεν θα το έλεγα. Οση R χρείαστηκε την έμαθα αποκλειστικά απο τα quiz και google. Μια δυο μέρες ίσως διαβάσεις πιθανότητες να φρεσκάρεις Bayes. Κατά τα αλλα νομίζω ότι τα υπόλοιπα είναι καινούριες έννοιες.

Καλώς, ευχαριστω!

Για κάποιον που είναι Τηλεπ έχει κάποια έξτρα δυσκολία το μάθημα?

όχι καθόλου και εγω τηλεπ ειμαι και το πηρα. επισης ο προγραμματισμος στην R είναι πολύ εύκολος και υπάρχουν έτοιμες βιβλιοθήκες - συναρτήσεις για κάθε τι

Το μαθημα περα του οτι το κανουν σοβαροι ανθρωποι, ειναι απο αυτα που δινουν αυτο που υποσχονται (ασχετως με το αν θα σε ξενερωσει εν τελει το αντικειμενο). Βασικες εννοιες της αναλυσης δεδομενων, των νευρονικων δικτυων και γενικοτερα ενος κομματιου του ML που θα σας φανουν χρησιμες αν επιλεξετε να ασχοληθειτε εν τελει με το αντικειμενο, το οποιο btw ειναι ακραια hot εννοειται. 8/10 θεσεις εχουν να κανουν με data. Ειναι προγραμματιστικο (τελειως ελαφρυ) αλλα οι εννοιες του Machine Learning δεν κατοχυρωνονται απο τον τομεα της Ηλεκτρονικης προφανως. Επισης να παραθεσω οτι δινονται καλες ευκαιριες μες το μαθημα (ακριβως επειδη οι διδασκοντες ειναι σοβαροι) για περαιτέρω ενασχόληση.

tl;dr

Αν θελετε να ανεβειτε στο πλοιο που φευγει σφαιρα και λεγεται Data / ML αυτο το μαθημα θα σας εισαγει properly.

Προφανως οπως καθε μαθημα της σχολης, ο σκοπος του ειναι απλα εισαγωγικος μην εχετε βλεψεις για τρελο AI. Θελει και το διαβασμα του θελει και την ενασχοληση του αλλα αν εισαι τακτικος, στο τελος κατω απο 7.5 δεν παιρνεις.

όπως τα λέει, το βασικό θέμα που μπορεί να έχει ένας τηλέπ είναι να μην τον ενδιαφέρει τελικά το αντικείμενο.

Μιας και εχω πλεον την πληρη εικονα του μαθηματος, τοσο σε επιπεδο διδασκαλιας, οσο και σε βαθμολογηση, θα προσπαθησω να ειμαι οσο πιο περιεκτικος γινεται. Αν καποιος εχει καλες γνωσεις στατιστικης  και εχει παρακολουθησει το μαθημα αναλυση δεδομενων, τοτε οι περισσοτερες εννοιες θα του ειναι γνωστες. Για οσους οπως εγω δεν εχουν τοση επαφη με στατιστικη, data analysis, θα ερθουν αντιμετωποι με αρκετες νεες εννοιες, οι οποιες ειναι δυσκολο να χωνευτουν μεσα στο τρελο speedrun που ακολουθει το διδακτικο team. Τα εργαστηρια ειναι ο ορισμος της προχειροτητας γινονται σε R, οι ιδιοι οι διδασκοντες  δουλευουν python και εχουν να κανουν R μαλλον  απο τοτε που ηταν φοιτητες. Το αποτελεσμα ειναι, εν ωρα εργαστηριου να βλεπουν  "σκονακι" τον κωδικα απο το pdf του εργαστηριου και μηχανιστικα να τον αντιγραφουν, χωρις να σε κανουν να νοιωθεις για ποιο λογο χρησιμοποιησε την ταδε εντολη. Οι διαφανειες ειναι κακες, χανεσαι πραγματικα, καποιες εννοιες ειναι μεταφρασμενες λαθος απο τα αγγλικα και αυτο δημιουργησε εξτρα συγχυση σε μενα.
Στο κομμάτι τον εξετασεων τωρα, θεωρησα  βοηθητικο να συμμετεχω στις προοδους και μια ευκαιρια  να ελαφρυνω την εξεταστικη μου. Η πρωτη προοδος(που ειχε και το μεγαλυτερο συντελεστη) δεν αφησε και τις καλυτερες εντυπωσεις. Θα επρεπε να δωθει  επιπλεον ενα δεκαλεπτο εως τεταρτο συμφωνα με τους περισσοτερους ωστε να προλαβουν να δουν εστω την εκφωνηση του τελευταιου ερωτηματος. Τα επιπεδο των θεματων κινηθηκε σε γενικες γραμμες σε  αυτα που διδαξαν.
Στη δευτερη προοδο τοσο ο χρονος οσο και το επιπεδο τον θεματων ηταν ικανα να οδηγησουν αρκετους να γραψουν αριστους βαθμους. Αυτο ηταν κατι που δεν αρεσε στους διδασκοντες, παραδοξως. Οι ιδιοι συμπεραναν οτι "κλεβουμε", αντιγραφουμε και τα συναφη. Καποια στιγμη μετα τη δευτερη προοδο ειχαν πει οτι με λιγο ακομα διαβασμα, οποιος ηθελε βαθμο μπορουσε να προσπαθησει στις εξετασεις (αφηνωντας να εννοηθει οτι το εργο θα ηταν ευκολο). Εν τελει φτανουμε και στις εξετασεις. Τα θεματα θεωριας που πιανουν 3 μοναδες ηταν βατα. Τα θεματα που αφορουσαν κωδικα, ηταν χρονοβορα χωρις καποιο λογικο οφελος. Οι αλλεπαλληλες αλλαγες στηλων, γραμμων και οποιασδηποτε αλλης διαστασης υπηρχε, μεταξυ των ερωτηματων, οδηγησε σε τρομερη σπαταλη χρονου, εμφανησε ερρορς γιατι λογω περιορισμενου χρονου , τυχαινε να λιπει καποιο κομμα καποια παρενθεση κτλπ. Το επιπεδο των θεματων ηταν πιο δυσκολο απο τις προοδους. Αυτο που μου προκαλει εντυπωση ειναι το γεγονος οτι σε συγκριση με τη πρωτη προοδο  τα θεματα της τελικης εξετασης ηταν 30% περισσοτερα σε ογκο, ο χρονος εξετασης ηταν ιδιος, την ωρα που τους ειχαμε εκφρασει τα παραπονα απο τη  πρωτη προοδο για τον περιορισμενο χρονο. Εν κατακλειδι θεωρω πως δεν μου δοθηκε η ευκαιρια να αξιολογηθω επι ισοις οροις

Από τα χειρότερα μαθήματα της σχολής.

Ας ξεκινήσουμε από το μόνο θετικό του μαθήματος. Το αντικείμενο είναι πολύ σημαντικό και η ύλη φαίνεται ότι είναι επιλεγμένη ώστε να χωρέσει όσο περισσότερη πληροφορία γίνεται σε ένα μάθημα, καθώς ουσιαστικά είναι λίγο πολύ το μόνο μάθημα που έχει σχέση με machine learning.

Από κει και πέρα ξεκινά η κάτω βόλτα. Οι διαλέξεις είναι από κάτω του μετρίου έως καλούτσικες. Τα εργαστήρια είναι πολύ κακά. Το μάθημα ουσιαστικά έχει μόνο θεωρία και όχι εργασίες. Μπαίνει μία εργασία, αλλά θέλει πολύ ενασχόληση δεδομένου ότι δεν έχουμε μάθει python και αν θέλει κάποιος να ασχοληθεί πρέπει να μάθει και python και να κάνει την εργασία. Δεν το συζητώ καν να κάτσει κάποιος να την κάνει σε R. Ακόμα και το διδακτικό προσωπικό προφανώς σε python δουλεύουν και το θεωρούν δεδομένο οτι και μεις το ίδιο. Χαρακτηριστικό παράδειγμα όταν έστειλα ένα μειλ με μια απορία στον Θωμά και με απάντησε πως να το κάνω σε python. Επίσης, η εργασία πραγματικά δίνει ψύχουλα. Οι περισσότεροι πήραν μπόνους από +0.2 έως +0.6. Λίγο ντροπή.

Και δε θέλω καν να αναφέρω και για τις προόδους/ εξέταση και τη στάση των καθηγητών, αλλά πρέπει. Πρώτη φορά ένιωσα τόση κοροιδία. Μας λέγανε ψέματα και μας ειρωνεύονταν καθ` όλη τη διάρκεια του εξαμήνου, ΑΚΟΜΑ και κατά τη διάρκεια της εξέτασης. Κανένας σεβασμός. Πραγματικά θα μπορούσα να μπω σε πολλές λεπτομέριες αλλά δε θα το κάνω. Μία λέξη μόνο.


Συνολικά, μακρικά από αυτό το μάθημα. Και είναι πάρα πολλά που δεν ανέφερα καν, όπως το speedrun που βαφτίστηκε εξέταση. Αν θέλει κάποιος να ασχοληθεί με machine learning, προτείνω ανεπιφύλακτα το μάθημα Μηχανική Μάθηση του εαρινού εξαμήνου και το μάθημα Νευρωνικά Δίκτυα του χειμερινού εξαμήνου από το τμήμα Πληροφορικής.

ΥΓ: Στο τέλος πήρα 9.5, οπότε μη νομίζετε ότι βγάζω hate και κόμπλεξ. Αυτό το κάνουν άλλοι σε αυτό το μάθημα

Σίγουρα πιο εύκολο, πιο ενδιαφέρον και πιο σαφές από Τεχνολογία Λογισμικού. Κλασική ISSEL, απαλλακτικές πρόοδοι και δυνατότητα εξετάσεων εφόσον επιθυμείτε. Τα 5 ects είναι αρκετά λαχταριστά θα έλεγα, οπότε γιατί όχι;

Το μάθημα προτείνεται για κάθε φοιτητή ηλεκτρονικής και ίσως και για φοιτητές Τηλεπ που τα πηγαίνουν ok με τον κώδικα.

Κλασικό μάθημα ISSEL με δυο προόδους απαλλακτικές. Πηγαίνεις τελική εξέταση εάν θέλεις να προσπαθήσεις για μεγαλύτερο βαθμό.

Το μάθημα έχει ένα δίωρο παραδόσεων όπου βλέπουν συνοπτικά (ίσως και λιγάκι επιφανειακά) την θεωρία του μαθήματος. Τα εργαστήρια που γίνονται σε python έχουν όλο το ζουμί. Τα θέματα και στις 3 εξετάσεις είναι κατά βάση ερωτήματα που απαντιούνται με κώδικα copy paste από τα εργαστήρια. Θέλει απλώς να είσαι πολύ γρήγορος. Φέτος προστέθηκε και ένα κομμάτι στην εξέταση που σου ζητάει να λύσεις ένα πρόβλημα μέσα σε λίγα λεπτά. Λίγο ακραίο αλλά στους περισσότερους που παραδώσανε κάτι δόθηκαν αρκετές μονάδες.

Υπαρχει μια προαιρετική εργασία που παρ' ότι δεν την έκανα μου φαίνεται πολύς κόπος για να πάρεις πολύ λίγες μονάδες. (+1 max)

Το προτείνω ανεπιφύλακτα για ηλεκτρονική ή μη. Λίγη ενασχόληση κάθε Πέμπτη στην ώρα των εργαστηρίων και λίγο τα quiz εξάσκησης πριν την εξέταση για να μάθεις να λύνεις γρήγορα θέματα σαν της εξέτασης είναι αρκετά. (Δυστυχώς του χρόνου μπορεί να το έχει άλλος καθηγητής)

Το μάθημα το πήρα φέτος για 1η φορά:

Η θεωρία γίνεται από τον κ.Συμεωνίδη και οι ασκήσεις/εργαστήρια από μεταδιδακτορικούς και μεταπτυχιακούς φοιτητές του. Η θεωρία γενικά του μαθήματος είναι ένα συνονθύλευμα από πολλές έννοιες και άμα δεν το περάσεις με προόδους θεωρώ ότι θα χαθείς στην τελική εξέταση. Οι θεωρία είναι αρκετά ενδιαφέρουσα και βοηθητική, αλλά οι ασκήσεις και τα εργαστήρια είναι εκείνα που θα σε οδηγήσουν στο να περάσεις το μάθημα. Εγώ το πέρασα με προόδους φέτος και δεν το μετάνιωσα καθόλου καθώς η 1η πρόοδος πραγματευόταν βαρετές έννοιες οπότε συγκεντρώνεσαι εκεί και μετά τα ξεχνάς. Η 2η πρόοδος έχει αρκετά πιο ενδιαφέρουσες έννοιες. Η εξέταση (όπως και οι πρόοδοι) είχαν θέματα θεωρίας μαζί με ασκήσεις σε Python και μετά ένα μεγάλο θέμα. Στο τελευταίο σου έδιναν ένα dataset και σου έλεγαν με βάση τα χαρακτηριστικά που έχει να λύσεις ένα πρόβλημα. Ο σκοπός τους ήταν να δουν την σκέψη σου και όχι τον κώδικα που θα γράψεις κάτι το οποίο όντως ίσχυε καθώς δεν είχα γράψει πολύ κώδικα αλλά είχα γράψει όλη μου την σκέψη και είχα πάρει 1.2/2 και 1.3/2 στις προόδους. Μάθημα για να πάρεις ects και βαθμό ? ναι!  

EDIT: Επιτέλους βγήκαν και οι εργασίες. Προσωπικά δεν είχα να πω την αλήθεια τρελές προσδοκίες από την εργασία καθώς ήταν αρκετά δύσκολη και έδιναν ψυχούλα για έξτρα μονάδες. Η όλη φιλοσοφία ήταν η δημιουργία ενός dataset και μετά η εκπαίδευση του η οποία σου έβγαζε κάποια αποτελέσματα. Έχω να πω τα εξής:
α) το API του Github έχει έναν βλαμμένο περιορισμό που δεν σε αφήνει να παίρνεις πάνω από 140.000 request ανά ώρα με αποτέλεσμα να έχεις delay στην εξαγωγή του dataset ( μιλάμε για αρκετό χρόνο καθώς κάποιος χρήστης θα μπορούσε να έχει πολλά issues ας πούμε και να κολλήσει και να περιμένεις μισή ώρα μέχρι να ξανά τρέξει το πρόγραμμα κτλ). Οπότε άμα ήθελες μεγάλο dataset ήθελες κανένα μήνα.
β) πάρα πολύ κόπος. Έπρεπε αφού εκπαιδευτεί το dataset να γράψεις σε μορφή paper την αναφορά με συγκεκριμένη αυστηρή δομή.
γ) Πέραν από αυτό υπήρχε ζόρι με το πως να ξεκινήσεις. Ναι μεν σου είχαν πει ότι θέλουμε αυτό κι αυτό από τους χρήστες αλλά δεν υπάρχει κάποιος συγκεκριμένος τρόπος να τους ρουφιξεις random . Πρέπει να τους βάλεις με καποιο δικό σου κριτήριο χωρίς να ξέρεις άμα θα έχεις τα επιθυμητά αποτελέσματα.

Πήρα εν τέλει 8/10 στο μάθημα και μπορώ να πω ότι ζοριστηκα πιο πολύ στην εργασία παρα στις προόδους.

Χωρίς την εργασία αξίζει!

Καλησπέρα, θα προτείνατε να επιλέξω το μάθημα των αλγορίθμων 6ου εξαμήνου με τον νέο καθηγητή;

Kάτσε να δούμε πως θα πάει η εξέταση πρότυπα  ::)

Αφήνω μία γνώμη μετά την αλλαγή καθηγητή.

Ο Πετραντωνάκης μου άφησε πολύ κακή εικόνα.

Πήγα μόνο στην πρώτη διάλεξη και ήταν αρκετό για να μην ξαναπάω.

Οι εργασίες ήταν οκ, nothing more, nothing less.

Η εξέταση ήταν πολύ λάθος κατά την άποψή μου. Τα περισσότερα θέματα ήταν κατανόησης, ενώ το προτεινόμενο βιβλίο δεν βοηθούσε σε καμία περίπτωση να κατανοήσεις σε βάθος τις έννοιες που πραγματεύεται το μάθημα. Να σημειωθεί ότι η στάση του Πετραντωνάκη ήταν "Αυτά τα έχουμε πεί στο μάθημα", με την οποία διαφωνώ καθώς δεν θα έπρεπε η εξέταση να είναι μόνο για όσα πήγαιναν στα μαθήματά του (πόσο μάλλον όταν οι διαλέξεις που έχει ανεβάσει στο e-learning δεν διαβάζονται με τίποτα εκτός της παράδοσης). Εγώ επέλεξα να μην πηγαίνω στο μάθημά του επειδή δεν μου κέντρισε το ενδιαφέρον, άλλα άτομα μπορεί να δουλεύουν π.χ., και με την στάση του αυτή τα αποκλείει από έναν αξιοπρεπή βαθμό.

Πάμε τώρα στα αποτελέσματα των εξετάσεων. Στα γραπτά αν δεν είναι λάθος οι υπολογισμοί μου το ποσοστό επιτυχίας ήταν κάτω από 30%. Μαζί με τις εργασίες ανεβαίνουν τα ποσοστά αλλά και πάλι είναι υπερβολικά χαμηλά.

Κύριε Πετραντωνάκη αν το διαβάζετε αυτό, η στραβός είναι ο γιαλός, ή στραβά διδάξατε το μάθημα. :)

Ας ελπίσουμε να καταλάβει το λάθος του και να το διορθώσει.

Overall, με τα τωρινά δεδομένα, 10/10 would not recommend to anyone.

Οι εργασίες δεν ήταν καλές. Ήταν απλά αγγαρεία με 0 ενδιαφέρον. Θα σας ζωγραφίσω μια εικόνα:

Μάθημα ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ  - ΠΛΗΡΟΦΟΡΙΚΗ ΑΠΘ
Στο μάθημα αυτό της πληροφορικής οι εργασίες ήταν παρόμοιες με την
1η να είναι Logistic Regression from scratch,
η 2η να είναι sklearn Selection Trees Classifires με tuning και
η 3η να είναι ensemble models για max απόδοση.
και ήταν το 45% του βαθμού

3 εργασίες που κάλυπταν την ύλη σε ένα ποσοστό 90% και ήταν πολύ ενδιαφέρουσες με τον διδακτορικό που ήταν υπεύθυνος για τις εργασίες να απαντάει σε απορίες στο 10λεπτο, όλες σε jupyter notebooks. Η εξέταση να είναι 1:30 ώρα με ερωτήσεις που καλύπτουν 100% την ύλη και κάποιος που ασχολήθηκε με τις εργασίες και διάβαζε τις σημειώσεις του καθηγητή παίρνει βαθμό

ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ - ΤΗΜΜΥ ΑΠΘ

Σε αυτό το μάθημα οι εργασίες κάλυπταν με το ζόρι το 40% της ύλης. 2 εργασίες ΣΠΑΤΑΛΗΘΗΚΑΝ στον Bayes που οκ είναι σημαντικό κεφάλαιο αλλά κάλλιστα θα μπορούσαν να είναι συγχωνευμένες σε μία εργασία. Η τρίτη ήταν στα δέντρα αποφάσεων και η έξτρα εργασία στα ensembles που ΜΟΝΟ Η ΚΑΛΥΤΕΡΗ ΕΠΑΙΡΝΕ ΜΙΑ ΜΟΝΑΔΑ. Το μάθημα είχε στην ύλη Νευρωνικά, SVMs, PCA και ούτε που εμφανίστηκαν στις εργασίες.

Η εξέταση του μαθήματος ήταν 5 μονάδες θεωρία και κατανόηση με τις πιο bullshit απαντήσεις που έχω δει ποτέ, που μερικές από αυτές τις είχε κάνει στον ΠΙΝΑΚΑ (ούτε καν στις διαφάνειες του) και 5 μονάδες ένα νευρωνικό με απαντήσεις δημοτικού (πόσους νευρώνες έχει το παρακάτω νευρωνικό.. 3 ΜΟΝΑΔΕΣ και μια παράγωγος λογισμού Ι 2 μονάδες).

Ο τυπάς ΤΟΝ ΕΝΟΧΛΗΣΕ που είχαμε το βιβλίο που ΠΡΟΤΕΊΝΕΤΑΙ για το μάθημα και μας δήλωσε ότι αν δεν είναι ακριβώς η απάντηση και γραφτεί κάτι παραπάνω θα μας κόψει όλην την απάντηση (πράγμα που έγινε αντικρίζοντας τους βαθμούς).

Συμπέρασμα:
Α) Πάρτε μηχανική μάθηση στο εαρινό τώρα να στανιάρετε και να κάνετε μια γαμάτη και πλήρη εισαγωγή στις έννοιες της μηχανικής μάθησης και ΑΠΟΦΥΓΕΤΕ ΑΥΤΟ ΤΟ ΜΑΘΗΜΑ όσο το έχει ο κ. Πετραντωνάκης  :-[ :-[ :-[ :-[
Β) Είμαι τόσο salty ακόμα που μπορώ να κάνω season κρέατα ψησταριάς για 15 άτομα αλλά με τρώει πραγματικά γιατί έχω ασχοληθεί τον τελευταίο 1.5 χρόνο με το αντικείμενο και ενοχλήθηκα  ::) ::) ::) ::)
Γ) ΟΙ ΑΞΙΟΛΟΓΗΣΕΙΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΓΙΑΤΙ ΚΛΕΙΝΟΥΝ ΠΡΙΝ ΒΓΟΥΝ ΟΙ ΒΑΘΜΟΙ !; Η ΕΞΕΤΑΣΗ ΔΕΝ ΕΙΝΑΙ ΜΕΡΟΣ ΤΗΣ ΕΜΠΕΙΡΙΑΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ;  :D :D :D :D :D :D

EDIT: Ξέχασα να σημειώσω ότι έπρεπε να τον παρακαλέσουμε στα γόνατα ΝΑ ΑΝΕΒΑΖΕΙ ΤΙΣ ΔΙΑΛΕΞΕΙΣ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΣΤΟ ELEARNING, γιατί στην αρχή ΔΕΝ ΗΘΕΛΕ ΝΑ ΤΙΣ ΑΝΕΒΑΖΕΙ για να κάνει την παρακολούθηση ψιλοϋποχρεωτική  :???:

Παρτε μαθήματα από το τμήμα πληροφορικής παίδες και μην ασχολειστε με τα σμαράγδια μας, κάποτε ίσως το καταλάβουν και βελτιωθούν αλλα δεν το κοβω. Ο συγκεκρινενος απο το 1ο μαθημα εδειξε τι ειναι, και δυστυχως επιβεβαιωθηκα. Χαιρομαι που τελικα δεν πηρα το μαθημα ποτε, ειχα σκοπο να το παρω αλλα φροντησε απο την 1η διαλεξη να μας δειξει το ποιον του ο άνθρωπος, δεν αξιζει λοιπον να χασετε ουτε 2 ωρες απο την ζωη σας για να πατε στην 1η διαλεξη του συγκεκριμενου κυρίου, πάτε απευθειας και  παρτε μαθηματα απο το τμημα πληροφορικης.

Και δεν ειναι τροπος να μην ανεβαζεις τις διαφανειες για να κανεις την παρακολουθηση υποχρεωτικη. Αν κανεις γαματες διαλεξεις θα χουν και μεγάλο ακροατηριο, αν ειναι μαπα οι διαλεξεις σου θα βαρας μυγες.

ΜΑΚΡΙΑ
Αν το δειτε η ομαδα στμεωνιδη, παρ τε του τα 2 μαθηματα που του δωσατε, εκει που ηταν μια χαρα το κανε μη χειροτερα.

Χωρίς εργασίες γίνεται να δώσω.Ειναι γενικά σαν τα μαθήματα του Σημεωνιδη (εννοώ δίνεις κανονικά σε pc  και γενικά πρακτικά) ή χαρτί και θεωρία;

Το μάθημα το έκανε ο Πετραντωνάκης φέτος. Δίνεις κανονικά και χωρίς τις εργασίες απλά γράφεις με μέγιστο το 7.
Η εξέταση στο χειμερινό ήταν στην τάξη με πολλές θεωρητικές ερωτήσεις και μια άσκηση με ένα νευρωνικό(και αυτή σε χαρτί ^rotate^).

Τα γράφω τώρα που τα έχω φρέσκα... Γενικά το μάθημα δεν ξέρω αν θα το πρότεινα, γιατί ενώ η ύλη του είναι ακριβώς ό,τι θέλει κάποιος/α που ενδιαφέρεται να ασχοληθεί με ML και Νευρωνικά, έχει ένα τεράστιο μείον που αφορά τον διδάσκοντα. Ό,τι γράφω έχει να κάνει αποκλειστικά με πράγματα που δεν αλλάζουν με την εμπειρία, γιατί δεν θέλω να ακυρώσω την προσπάθεια που δείχνει να καταβάλει για να βελτιώνεται, μιας και αυτός είναι καινούργιος στο τμήμα.

Αρχικά, όσον αφορά τις παραδόσεις του μαθήματος. Ο Πετραντωνάκης είναι τυπικότατος και προσπαθεί να λύσει απορίες. Το ζήτημα είναι ότι οι απορίες ενίοτε δημιουργούνται γιατί δεν μπορεί να εξηγήσει σωστά αυτό που έχει στο μυαλό του. Παρακολούθησα την πλειονότητα των διαλέξεων και υπήρχαν στιγμές που η συζήτηση έφτανε σε τέλμα εξαιτίας της μειωμένης ικανότητας επεξήγησης. Επίσης, οι διαφάνειες του μαθήματος είναι στα αγγλικά και κατά την προσωπική μου (και συναδέλφων) άποψη εξαιρετικά ελλειπείς. Αν θες να διαβάσεις στην εξεταστική από το βιβλίο θα διαβάσεις, οι διαφάνειες μπορούν να χρησιμοποιηθούν σε ελάχιστες περιπτώσεις.

Το μάθημα έχει εργασία σε python και σχεδόν ό,τι χρειαστείς (και παραπάνω) για να την κάνεις θα στο δείξει ο βοηθός του καθηγητή που κάνει επίδειξη python στην αίθουσα. Αυτό το κομμάτι έχει περιθώρια βελτίωσης, γιατί το να βλέπεις και να συζητάς κώδικα και βιβλιοθήκες που δεν έχεις ξαναδεί είναι λίγο δύσκολο. Παρουσιάζονται μεταξύ άλλων (αν θυμάμαι καλά) scikit learn, numpy, keras, tensorflow. Τις δύο τελευταίες αν δεν έχεις ασχοληθεί με νευρωνικά δύσκολα να τις έχεις ξαναδεί. Παρ' όλα αυτά είναι πολύ θετικό το κομμάτι της επίδειξης και ο βοηθός του διδάσκοντα είναι πρόθυμος να βοηθήσει παντού και σε πολύ χαλαρό κλίμα. Η εργασία ήταν σε δυάδες και είχε 4 ερωτήματα, αρκετά βατά. Το 4ο ερώτημα ήταν σε ένα dataset που μας έδινε ο ίδιος και οι καλύτερες ομάδες παρουσίαζαν τη λύση τους στην αίθουσα.

Τώρα πάμε και στο κομμάτι βαθμολόγηση και εξετάσεις που είναι το τεράστιο πρόβλημα. Ο Πετραντωνάκης το 2023 που το παρακολούθησα έκανε ένα μάθημα ασκήσεων σε όλο το εξάμηνο. Δεν είναι αρκετό και ακόμη και όταν του το ζητήσαμε δεν φάνηκε ναι ενδιαφέρεται να κάνει επιπλέον. Στις εξετάσεις πέφτει μία μίξη ασκήσεων και θεωρίας που δεν έχουν πολλή σχέση με τις ασκήσεις που έχει δείξει στην αίθουσα. Επίσης, δεν υπάρχει καθαρή εξήγηση της βαθμολογίας. Νομίζω ακόμη και τη μέρα που δίναμε δεν ξέραμε από πόσο και πάνω θα μετρήσει η εργασία, αν θα μετράει και Σεπτέμβρη κλπ. Δεν ξέρω αν το επιδιώκει ο Πετραντωνάκης, αλλά ας πούμε πως υπήρχε μία "δημιουργική ασάφεια" που έλεγε και ο Κίσινγκερ. Όσον αφορά τα θέματα, υπάρχει μία αστάθεια ως προς το τι θα πέσει. Πχ όταν έδωσα εγώ (Ιούλιος 24), έπεσαν 2 θέματα: 1 SVM & 1 AdaBoost που δεν καλύπτουν ούτε το 1/10 της ύλης και άλλες εξεταστικές έπεσαν ΣΛ, άρα είναι λίγο τζόγος. Γενικά υπάρχει μία ασυμφωνία μεταξύ παραδόσεων και εξέτασης παντού. Στα θετικά το ότι ανεβάζει ο ίδιος τα θέματά του και ενίοτε με λύσεις.

Το μάθημα αποφάσισα να μην το δώσω σοβαρά και να το αντικαταστήσω με άλλο, αλλά αυτό είναι μία προσωπική επιλογή. Αν το αντιμετωπίσεις ως εφαλτήριο για να ψαχτείς αξίζει. Εγώ πήρα μηχανική μάθηση και νευρωνικά από πληροφορική και είμαι πιο ευχαριστημένος.

Αυτό πρέπει να το λάβουν σοβάρα υποψιν και ο διδάσκων του μαθήματος αλλά και της υπολογιστικής νουμοσυνης. Αν επιλέγει πολυς κόσμος να πάρει ίδια/παρόμοια μαθήματα του πληροφορικου κάτι δεν πάει καλά με τα δικά τους...

Δεν νομίζω ότι ενδιαφέρονται για τέτοιου είδους ανταγωνισμό. Το πολύ-πολύ να μας κόψουν αυτη την επιλογή. Ειδικά για υπολογιστική νοημοσύνη δεν ξέρουμε καν αν θα συνεχίσει να γίνεται. Ο Θεοχάρης βγαίνει στη σύνταξη και δεν έχει ακουστεί ποιος θα είναι ο επόμενος διδάσκοντας. Ελπίζω να το πάρει ο Συμεωνίδης, γιατί έχει τη γνώση και τη διάθεση να κάνει καλά μαθήματα, όπως έκανε και τα πρότυπα.

Πιστεύω οτι αυτό είναι ότι πιο σωστό έχει υποθεί! Κάτι ΣΙΓΟΥΡΑ ΔΕΝ ΠΑΕΙ ΚΑΛΑ με τα μαθήματα και το πρόγραμμα σπουδών μας....

Πρέπει γενικά αυτοί που φτιάχνουν το πρόγραμμα σπουδών να το ενημερώνουν συχνά αλλά και οι καθηγητές να δούνε λίγο τον τρόπο με τον οποίο εξετάζουν και διδάσκουν ένα μάθημα...
Δεν γίνεται στο πρόγραμμα σπουδών μας π.χ. να μην υπάρχει ξεχωριστό μάθημα Νευρωνικών Δικτύων και να τα "στριμώχνουν" όλα σε ένα μάθημα.