ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (709)

Σκοπός του μαθήματος είναι η εισαγωγή και εξοικείωση των φοιτητών με τις τεχνικές Υπολογιστικής Νοημοσύνης, όπως τα Νευρωνικά Δίκτυα, οι Εξελικτικοί Αλγόριθμοι και η Aσαφής λογικής αλλά και συνδυασμών τους για την επίλυση προβλημάτων σε ένα ευρύτατο φάσμα εφαρμογών. Στη Διάλεξη θα παρουσιαστούν τα ακόλουθα θέματα:

• Εισαγωγή στην Υπολογιστική Νοημοσύνη. Ορισμός και διαφορές από την κλασική-συμβολική Τεχνητή Νοημοσύνη.
• Τεχνητά νευρωνικά δίκτυα. Βασικά μοντέλα αναπαράστασης τεχνητού νευρώνα, είδη συναρτήσεων ενεργοποίησης. Βασικές αρχιτεκτονικές δομές των Νευρωνικών Δικτύων. Διαδικασίες και πρότυπα εκμάθησης. Εφαρμογές ΤΝΔ. Μάθηση με επίβλεψη. Perceptrons ενός στρώματος. Ο κανόνας Δέλτα. Δίκτυα εμπρόσθιας διάδοσης. Δίκτυα πολλών επιπέδων και ανάστροφη διάδοση σφάλματος (back-propagation). Αναφορά στα μοντέλα Δίκτυα ακτινικών συναρτήσεων βάσης,  Αυτο-οργανωνόμενα δίκτυα, Kohonen maps και ανταγωνιστική μάθηση. Δίκτυα με ανατροφοδότηση. Αναδρομικά δίκτυα Hopfield.
• Εξελικτικοί αλγόριθμοι. Κατηγορίες εξελικτικών αλγορίθμων (γενετικοί αλγόριθμοί, εξελικτικές στρατηγικές, εξελικτικός προγραμματισμός, γενετικός προγραμματισμός). Αναπαράσταση υποψηφίων λύσεων. Συνάρτηση καταλληλότητας. Βελτιστοποίηση με σμήνος σωματιδίων.Οι έννοιες των τελεστών μεταβολής του πληθυσμού (Διασταύρωση και μετάλλαξη) στο Γενετικό αλγόριθμο.
• Ασαφής λογική. Έννοιες ασαφούς λογικής. Ασαφή σύνολα. Λεκτικές μεταβλητές. Συναρτήσεις υποστήριξης. Ασαφείς εκφράσεις. Ασαφείς κανόνες. Ασαφής συλλογισμός. Μέθοδοι αποασαφοποίησης. Το μοντέλο του Mamdani. Το μοντέλο των Takagi-Sugeno.

Στο Εργαστήριο του μαθήματος θα χρησιμοποιηθεί κυρίως το Matlab για τον προγραμματισμό βασικών αλγορίθμων εκπαίδευσης νευρωνικών δικτύων και εξελικτικών αλγορίθμων. Οι φοιτητές θα έχουν, επίσης, τη δυνατότητα να χρησιμοποιήσουν τα toolboxes του Matlab (Neural Network, Fyzzy logic) καθώς και το λογισμικό εφαρμογής Αλγορίθμων Υπολογιστικής Νοημοσύνης (WEKA), με παραδείγματα εφαρμογών.