ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

Μηχανική Ευφυία

1. ΓΕΝΙΚΑ

ΣΧΟΛΗ Σχολή Μηχανικών
ΤΜΗΜΑ Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Μεταπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ %cf%81202 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 2o
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Μηχανική Ευφυία
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων. 		ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο 4.    
ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ
Γενικής Υποδομής (ΓΥ),Ειδικής Υποδομής (ΕΥ), Γενικών Γνώσεων (ΓΓΔ) και Επιστημονικής Περιοχής (ΔΔΤΝ, ΕΔ, ΕΥΣ, ΗΛ, ΠΑ) . 		 Ειδίκευσης
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:  
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:  Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS Ναι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

2. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα
Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

Ο σκοπός του μαθήματος είναι να εισάγει τους φοιτητές στις βασικές αρχές λειτουργίας και υλοποίησης ευφυών συστημάτων και συστημάτων μηχανικής μάθησης και μηχανικής ευφυίας. Αναλύεται ποικιλία μεθόδων και τεχνικών υπολογιστικής ευφυίας για την επίλυση δύσκολων προβλημάτων αναζήτησης λύσεων και βελτιστοποίησης αλλά και μοντέλα και μέθοδοι για τον έλεγχο συστημάτων, την εκμάθηση και αναπαραγωγή συμπεριφορών, την κατηγοριοποίηση, την αποτύπωση γνωσιακών μοντέλων και την αυτόματη προσαρμογή συστημάτων σε μεταβαλλόμενες συνθήκες. Γίνεται εργαστηριακή εφαρμογή μεθόδων μηχανικής ευφυίας σε προβλήματα κατηγοριοποίησης, βελτιστοποίησης και λήψης αποφάσεων.

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

• Υλοποιήσει Αλγορίθμους Εξελικτικής Υπολογιστικής για την βελτιστοποίηση προβλημάτων και την εύρεση βέλτιστων λύσεων σε δύσκολα προβλήματα του πραγματικού κόσμου

• Υλοποιήσει συστήματα Νευρωνικών Δικτύων για χρήση σε προβλήματα Κατηγοριοποίησης και Μηχανικής Μάθησης

• Υλοποιήσει Ασαφή Συστήματα για ευφυή Έλεγχο συστημάτων

• Να κωδικοποιήσει και να επιλύσει με βέλτιστο τρόπο δύσκολά πολυπαραμετρικά προβλήματα της Ρομποτικής, της Μηχανικής αι της επιστήμης, με χρήση μεθόδων Υπολογιστικής Ευφυίας
Γενικές Ικανότητες
Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.
Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών με τη χρήση και των απαραίτητων τεχνολογιών - Προσαρμογή σε νέες καταστάσεις - Λήψη αποφάσεων - Αυτόνομη εργασία - Ομαδική εργασία - Εργασία σε διεθνές περιβάλλον - Εργασία σε διεπιστημονικό περιβάλλον - Παράγωγή νέων ερευνητικών ιδεών Σχεδιασμός και διαχείριση έργων - Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα - Σεβασμός στο φυσικό περιβάλλον - Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου - Άσκηση κριτικής και αυτοκριτικής - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

• Αυτόνομη και Ομαδική εργασία

• Σχεδιασμός και Διαχείριση Projects

• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

3. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

  • Ασαφή Συστήματα, Ασαφείς Ταξινομητές και Ασαφείς Ελεγκτές. Πρακτική εφαρμογή Ασαφών Συστημάτων. Σύνθεση και προσομοίωση Ασαφών Ελεγκτών στο
  • Νευρωνικά Δίκτυα, εκπαίδευση, κατηγοριοποίηση, Νευρωνικοί ελεγκτές. Βιολογικά και Τεχνητά Νευρωνικά Δίκτυα, Εκπαίδευση Νευρωνικών Δικτύων, Εκπαίδευση με και χωρίς επίβλεψη, Ικανότητα Γενίκευσης, Neural Networks Toolbox του Matlab, Perceptron, Adaptive Linear Neuron (ADALINE), Multi Layer Perceptron (MLP) – Backpropagation, Δίκτυα Ακτινικής Βάσης (Radial Basis Function – RBF), Αυτο-οργανούμενοι Χάρτες (Self Organizing Maps – SOM). Αυτόματος Έλεγχος με Νευρωνικά Δίκτυα, Ταυτοποίηση συστημάτων με NARXnet, Neural Network Predictive Controller, NARMA-L2 Neural Controller, Model-Reference Neural Controller. Πρακτική εφαρμογή Νευρωνικών Δικτύων.
  • Κωδικοποίηση προβλημάτων και χώρων κατάστασης, χρήση Αλγορίθμων Τοπικής Αναζήτησης, Αλγόριθμοι Κατάβασης Κλίσης.
  • Αλγόριθμοι εμπνευσμένοι από τη Βιολογία: Εξελικτική Υπολογιστική, Γενετικοί Αλγόριθμοι. Πρακτική εφαρμογή Εξελικτικών Αλγορίθμων.
  • Αλγόριθμοι Ευφυίας Σμηνών: Βελτιστοποίηση Σμήνους Σωματιδίων (PSO), Αλγόριθμοι Αποικίας Μυρμηγκιών, Αλγόριθμοι Αποικίας Μελισσών.
  • Γενετικός Προγραμματισμός, Αυτόματη Εξέλιξη Δομών, Βελτιστοποίηση Λογισμικού,
  • Συστήματα Κανόνων, Συστήματα Λήψης Αποφάσεων, Learning Classifier Systems.
  • Πολύ-πρακτορικά συστήματα (Multi-agent systems).
  • Αλγόριθμος Προσομοιωμένης Ανόπτησης (Simulated Annealing)

4. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

Θεωρητική διδασκαλία – ανάπτυξη της ύλης στον πίνακα και παρουσίαση μέσω βιντεοπροβολέα. Εργαστηριακή εξάσκηση με χρήση του Matlab και χρήση μεθόδων Υπολογιστικής Ευφυίας για επίλυση προβλημάτων
ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

Υποστήριξη της μαθησιακής διαδικασίας με χρήση πλατφόρμας ασύγχρονης και σύγχρονης τηλεκπαίδευσης.
ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας. Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη & ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ. Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης ώστε ο συνολικός φόρτος εργασίας σε επίπεδο εξαμήνου να αντιστοιχεί στα standards του ECTS

Οργάνωση Διδασκαλίας

ΔραστηριότηταΦόρτος εργασίας εξαμήνου
Ώρες Διδασκαλίας39
Συγγραφή εργαστηριακών αναφορών100
Αυτοτελής Μελέτη50
Σύνολο189
ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Περιγραφή της διαδικασίας αξιολόγησης Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες. Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

Ο τελικός βαθμός του μαθήματος διαμορφώνεται κατά 33% από τον βαθμό εργασίας στην ενότητα «Εξελικτική Υπολογιστική», κατά 33% από τον βαθμό εργασίας στην ενότητα «Ασαφή Συστήματα» και κατά 33% από τον βαθμό εργασίας στην ενότητα «Νευρωνικά Δίκτυα».

5. ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Συγγράμματα

Γενικά για την Μηχανική Ευφυία

  1. “Τεχνητή Νοημοσύνη, Μία Σύγχρονη Προσέγγιση”, Stuart Russell & Peter Norvig, (2η αμερικανική έκδοση, 2002). Εκδόσεις Κλειδάριθμος, 2004. ISBN: 960-209-873-2.
  2. “Intelligent Systems: Principle, Paradigms and Pragmatics”, R. Schalkoff, Jones & Bartlett Learning, 2009.
  3. “Computational Intelligence: An Introduction”, A.P. Engelbrecht, 2nd Edition, Wiley, 2007.
  4. “Machine Learning: An Algorithmic Perspective”, S. Marsland, CRC Press, 2009.
  5. “Machine Learning”, T. Mitchell, McGraw-Hill, 1997.

 Εξελικτικοί Αλγόριθμοι

  1. “Evolutionary Computation”, K.A. de Jong, MIT Press, 2002.
  2. “Genetic Algorithms in Search optimization and Machine Learning”, D. Goldberg, Addison-Wesley Pub. Co., 1989.
  3. “Genetic Programming – An Introduction”, Banzhaf, Wolfgang, Nordin, Peter, Keller, Robert E., and Francone, Frank D., San Francisco, CA: Morgan Kaufmann Publishers and Heidelberg, 1998.
  4. “Fundamentals of Computational Swarm Intelligence”, Andries P. Engelbrecht, John Wiley & Sons, 2006
  5. “Artificial Immune Systems: A New Computational Intelligence Approach”, Leandro Nunes de Castro, Jonathan Timmis , 364 pages, Publisher: Springer; 1 edition (November 11, 2002)
  6. “Ant Colony Optimization” Marco Dorigo, Thomas Stützle, Bradford Books, 328 pages, Publisher: The MIT Press (July 1, 2004)
  7. “Simulated Annealing, Theory with Applications”, Rui Chibante, InTech, 2010.
  8. “An Introduction to MultiAgent Systems”, Michael Wooldridge, – Second Edition, John Wiley & Sons, 2009.
  9. Εξελικτική Υπολογιστική, Σπύρος Καζαρλής, Διαφάνειες Προπτυχιακού Μαθήματος(ftp://teiser.gr/pliroforiki/Ekseliktikh_Ypologistikh/EvolComp_All.pdf)

Ασαφή Συστήματα

  1. “The Fuzzy Systems Handbook”, Earl Cox, Michael O’Hagan, Morgan Kaufmann Publishers.
  2. Εισαγωγή στην ασαφή λογική (Fuzzy Logic), Θεοδώρου Γιάννης Α., 2010, ISBN: 9789604182183
  3. Ασαφής Έλεγχος, Σταύρος Βολογιαννίδης, Διδακτικές σημειώσεις, (http://teachers.teicm.gr/vologian/files/intel.pdf)

 Νευρωνικά Δίκτυα

  1. Κ. Διαμαντάρας, “Τεχνητά νευρωνικά δίκτυα“, Εκδόσεις Κλειδάριθμος, ISBN: 978-960-461-080-8, 2007.
  2. Ben and P. Van der Smagt, “An introduction to neural networks“, University of Amsterdam, 1996 (https://www.infor.uva.es/~teodoro/neuro-intro.pdf ).
  3. Marvin, “NEURAL NETWORKS with MATLAB“, CreateSpace Independent Publishing Platform, 2016, ISBN: 978-1-5397-0195-8.