ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ

Μαθησιακά Αποτελέσματα:

Σκοπός του μαθήματος είναι η εισαγωγή των φοιτητών σε τεχνικές Υπολογιστικής Νοημοσύνης, όπως τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ), οι Εξελεκτικοί Αλγόριθμοι και η Aσαφής λογικής αλλά και συνδυασμών τους για την επίλυση προβλημάτων σε ένα ευρύτατο φάσμα εφαρμογών. Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

• Κατανοεί τη φύση των προβλημάτων που επιδέχονται λύση με μεθόδους και τεχνικές της Υπολογιστικής Νοημοσύνης.
• Εξοικειωθεί με τη βασική ορολογία και τη μεθοδολογία των υπολογιστικών τεχνικών και αλγορίθμων που χρησιμοποιούνται για την επίλυση προβλημάτων με χρήση της Υπολογιστικής Νοημοσύνης.
• Υλοποιεί βασικούς αλγορίθμους ΤΝΔ και Εξελεκτικούς Αλγορίθμους.
• Επιλέγει και να χρησιμοποιεί το κατάλληλο υπολογιστικό εργαλείο για την επίλυση των προβλημάτων που προκύπτουν.

Γενικές Ικανότητες:

Οι ικανότητες που πρέπει να αποκτήσει ο πτυχιούχος και στις οποίες αποσκοπεί το μάθημα είναι:

• Αυτόνομη εργασία.
• Ομαδική εργασία.
• Εργασία σε διεθνές περιβάλλον.
• Εργασία σε διεπιστημονικό περιβάλλον.

Περιεχόμενο Μαθήματος:

• Εισαγωγή στην Υπολογιστική Νοημοσύνη.
• Διαφορές από την Τεχνητή Νοημοσύνη και τύποι προβλημάτων που αντιμετωπίζει.
• Παραδείγματα προβλημάτων που διατυπώνονται με όρους συμβολικούς και/ή υπολογιστικούς .
• Τεχνητά νευρωνικά δίκτυα (ΤΝΔ) .
• Βασικά μοντέλα αναπαράστασης τεχνητού νευρώνα, είδη συναρτήσεων ενεργοποίησης.
• Βασικές αρχιτεκτονικές δομές των ΤΝΔ.
• Διαδικασίες και πρότυπα εκμάθησης. Εφαρμογές ΤΝΔ.
• Συσχετιστικές μνήμες.
• Μάθηση και επίβλεψη.
• Perceptrons ενός στρώματος.
• Ο κανόνας Δέλτα.
• Δίκτυα εμπρόσθιας διάδοσης.
• Δίκτυα πολλών επιπέδων και ανάστροφη διάδοση σφάλματος (back-propagation).
• Εφαρμογές των Νευρωνικών Δικτύων.
• Στοιχεία της αναπαράστασης της γνώσης και της τεχνητής νοημοσύνης, σε σχέση με τα Νευρωνικά Δίκτυα.
• Εξελικτικοί αλγόριθμοι .
• Κατηγορίες εξελικτικών αλγορίθμων (γενετικοί αλγόριθμοί, εξελικτικές στρατηγικές, εξελικτικός προγραμματισμός, γενετικός προγραμματισμός).
• Αναπαράσταση υποψηφίων λύσεων.
• Συνάρτηση Καταλληλότητας.
• Τελεστές μεταβολής του πληθυσμού (διασταύρωση - μετάλλαξη).
• Βελτιστοποίηση με σμήνος σωματιδίων.
• 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.
• Προσαρμοστικά ασαφή μοντέλα (ANFIS).
• Παραδείγματα συνδυαστικής χρήσης εργαλείων υπολογιστικής νοημοσύνης.
• Εφαρμογή των μεθόδων υπολογιστικής νοημοσύνης σε πραγματικά προβλήματα.
• Αναφορά στους αλγορίθμους k-Nearest Neighbor και k-Means.
• Θέματα για αυτόνομη μελέτη: Γρήγορες μέθοδοι εκπαίδευσης ΤΝΔ Δίκτυα ακτινικών συναρτήσεων βάσης για παρεμβολή δεδομένων και ταξινόμηση προτύπων. Αυτο-οργανωνόμενα δίκτυα, Kohonen maps και ανταγωνιστική μάθηση. Δίκτυα με ανατροφοδότηση. Αναδρομικά δίκτυα Hopfield. Προσομοιωμένη ανόπτηση (simulated annealing) και μηχανή Boltzmann.