[Αναγνώριση Προτύπων] Να επιλέξω το μάθημα;

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

Για οποιοδήποτε πρόβλημα με register/login, στείλτε email στο contact@thmmy.gr.

[Μπιγκόνια]

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

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

[panos98]

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

sent from mTHMMY 

[Judas Priest saved me]

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.

ΝΤΡΟΠΗ
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

[Arcade]

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;

[The Audacious AI]

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)

[25thOfMarch]

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!

[stefpapa21]

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

[Rick Deckard]

Kάτσε να δούμε πως θα πάει η εξέταση πρότυπα 

[Aitiatos]

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.

[Rick Deckard]

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;  

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 

[Caterpillar]

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.

[unreasonable]

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

[niktzom]

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 ).

[okan]

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.

[Caterpillar]

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...