Μαθήματα

Μηχανική Ευφυία

Γενικά

Περιεχόμενα μαθήματος

● Ασαφή Συστήματα, Ασαφείς Ταξινομητές και Ασαφείς Ελεγκτές. Πρακτική εφαρμογή Ασαφών Συστημάτων.

● Νευρωνικά Δίκτυα, εκπαίδευση, κατηγοριοποίηση, Νευρωνικοί ελεγκτές. 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).

Μαθησιακοί Στόχοι

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

• 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

Μέθοδοι Διδασκαλίας

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

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

Υποστήριξη της μαθησιακής διαδικασίας με χρήση πλατφόρμας ασύγχρονης και σύγχρονης τηλεκπαίδευσης.

Οργάνωση Διδασκαλίας

ΔραστηριότηταΦόρτος εργασίας εξαμήνου
Ώρες Διδασκαλίας39
Συγγραφή εργαστηριακών αναφορών100
Αυτοτελής Μελέτη50
Σύνολο189

Αξιολόγηση Φοιτητών

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».

Συνιστώμενη Βιβλιογραφία

  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. “Evolutionary Computation”, K.A. de Jong, MIT Press, 2002.
  5. “Machine Learning: An Algorithmic Perspective”, S. Marsland, CRC Press, 2009.
  6. “Machine Learning”, T. Mitchell, McGraw-Hill, 1997.
  7. “Fundamentals of Computational Swarm Intelligence”, Andries P. Engelbrecht, John Wiley & Sons, 2006
  8. “The Fuzzy Systems Handbook”, Earl Cox, Michael O’Hagan, Morgan Kaufmann Publishers.
  9. “Artificial Immune Systems: A New Computational Intelligence Approach”, Leandro Nunes de Castro, Jonathan Timmis , 364 pages, Publisher: Springer; 1 edition (November 11, 2002)
  10. “Ant Colony Optimization” Marco Dorigo, Thomas Stützle, Bradford Books, 328 pages, Publisher: The MIT Press (July 1, 2004)
  11. “Genetic Algorithms in Search optimization and Machine Learning”, D. Goldberg, Addison- Wesley Pub. Co., 1989.
  12. “Genetic Programming – An Introduction”, Banzhaf, Wolfgang, Nordin, Peter, Keller, Robert E., and Francone, Frank D., San Francisco, CA: Morgan Kaufmann Publishers and Heidelberg, 1998.
  13. “Simulated Annealing, Theory with Applications”, Rui Chibante, InTech, 2010.
  14. “An Introduction to MultiAgent Systems”, Michael Wooldridge, – Second Edition, John Wiley & Sons, 2009.