Υπολογιστική Ευφυία-Νοήμονα Συστήματα

Πληροφορίες Μαθήματος

Εξάμηνο Μαθήματος:
3
Μέρος Μαθήματος:
Θεωρία
Κωδικός Μέρους Μαθήματος:
7103001
Εβδομαδιαίες Ώρες Διδασκαλίας:
3
Μονάδες ECTS Μαθήματος:
7.5
Διαθέσιμο σε σπουδαστές ERASMUS:
Όχι
Προσωπικό Μαθήματος:


Σκοπός Μαθήματος

To μάθημα στοχεύει στο να καταστήσει τους φοιτητές ικανούς: (α) να κατανοήσουν σε βάθος κεντρικές έννοιες της υπολογιστικής ευφυΐας και (β) να συνειδητοποιήσουν τη σημασία που έχει αυτό το επιστημονικό πεδίο στην επιστήμη των υπολογιστών και την ευρύτητα των εφαρμογών τους στα υπολογιστικά συστήματα. Οι στόχοι του μαθήματος περιλαμβάνουν την εισαγωγή εννοιών, μοντέλων, αλγορίθμων και εργαλείων για την ανάπτυξη νοημόνων συστημάτων. Επιπλέον, δίνεται ιδιαίτερη έμφαση στην εφαρμογή των συστημάτων αυτών σε πραγματικά προβλήματα, καθώς και στην εξάσκηση των φοιτητών μέσω της υλοποίησης νοημόνων συστημάτων με χρήση εξειδικευμένου λογισμικού (MATLAB, WEKA).


Μαθησιακοί Στόχοι

Μετά την παρακολούθηση του μεταπτυχιακού μαθήματος ο φοιτητής θα πρέπει:

  • Να κατανοεί τα ασαφή συστήματα, τα νευρωνικά δίκτυα και τα νευροασαφή μοντέλα, να αναλύει τη λειτουργία τους και να εφαρμόζει αλγορίθμους εκπαίδευσής τους
  • Να κατανοεί τους εξελικτικούς αλγορίθμους, τις μηχανές διανυσμάτων υποστήριξης και τις τεχνικές της ευφυΐας σμηνών
  • Να έχει γνώση των κυριότερων εφαρμογών των νοημόνων συστημάτων υπολογιστικής ευφυΐας στα πεδία της πληροφορικής, των επικοινωνιών και της βιοϊατρικής
  • Να έχει μελετήσει περιπτώσεις εφαρμογής νοημόνων συστημάτων στη βιομηχανία
  • Να έχει αποκτήσει έμπρακτη εμπειρία της λειτουργίας των νοημόνων συστημάτων, έχοντας εξοικειωθεί με εξειδικευμένα σχετικά πακέτα λογισμικού


Γενικές Ικανότητες

  • Ανάλυση και σχεδίαση αλγοριθμικών διαδικασιών
  • Λήψη Αποφάσεων: Συνδυασμός τεχνικών για σύνθετα προβλήματα και θεωρητικών μελετών και γνώσεων με νέους τρόπους εφαρμογής
  • Aυτόνομη εργασία
  • Εργασία σε διεθνές περιβάλλον: δυνατότητα παρακολούθησης της διεθνούς βιβλιογραφίας και των επιστημονικών εκδηλώσεων
  • Εργασία σε διεπιστημονικό περιβάλλον: ικανότητα αντίληψης προβλημάτων και αναγκών καθώς επίσης και ικανότητα ανάλυσης θεμάτων και σύνθεσης προτάσεων
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης


Περιγραφή Μαθήματος

  1. Νευρωνικά δίκτυα (εποπτευόμενη και μη εποπτευόμενη μάθηση)
  2. Ασαφής λογική, ασαφή – νευροασαφή συστήματα και αλγόριθμοι εκπαίδευσής τους
  3. Μηχανές διανυσμάτων υποστήριξης
  4. Ευφυΐα Σμηνών
  5. Εξελικτικοί αλγόριθμοι
  6. Γενετικός προγραμματισμός
  7. Εφαρμογή ευφυών μεθόδων για την ανίχνευση απάτης σε δίκτυα δεδομένων
  8. Εφαρμογή νοημόνων συστημάτων στην καταστολή θορύβου σε ακουστικά σήματα
  9. Νοήμονα συστήματα επεξεργασίας δορυφορικών εικόνων
  10. Νοήμονα συστήματα επεξεργασίας βιοϊατρικών σημάτων

Αξιολόγηση Σπουδαστών

Ο τελικός βαθμός του μαθήματος διαμορφώνεται κατά 60% από τον βαθμό της τελικής γραπτής εξέτασης και κατά 40% από τον βαθμό δύο ατομικών εργασιών, οι οποίες συνεισφέρουν κατά 20% εκάστη.


Βιβλιογραφία

  • K. Διαμαντάρας, "Τεχνητά Νευρωνικά Δίκτυα", Εκδόσεις Κλειδάριθμος, 2007
  • B. Καμπουρλάζος, Γ. Παπακώστας, "Εισαγωγή στην Υπολογιστική Νοημοσύνη", ΣΕΑΒ, 2015
  • S. Haykin, "Νευρωνικά Δίκτυα και Μηχανική Μάθηση", Εκδόσεις Παπασωτηρίου, 2009
  • S. Rajasekaran, G. Vijayalakshmi, "Neural Network, Fuzzy Logic, and Genetic Algorithms: Synthesis and Applications", PHI Editions, 2013
  • E. Cox, "Fuzzy Modeling and Genetic Algorithms for Data Mining and Exploration", Morgan Kaufmann Publishers, 2005
  • A.P. Engelbrecht, "Computational Intelligence: An Introduction", 2nd Edition, Wiley, 2007
  • T. Ross, "Fuzzy Logic with Engineering Applications", John Wiley & Sons, 2010