Υπολογιστική Νοημοσύνη

Γενικά

• Κωδικός: ΠΛΥ05052
• Εξάμηνο: 5ο
• Επίπεδο Σπουδών: Προπτυχιακό
• Τύπος μαθήματος: Ειδικού υποβάθρου
• Γλώσσα διδασκαλίας και εξετάσεων: Ελληνικά
• Μέθοδοι Διδασκαλίας (Ώρες/εβδ.): Διαλέξεις (2) / Ασκήσεις Πράξης (1) / Εργαστηριακές Ασκήσεις (1)
• Μονάδες ECTS: 5
• Σελίδα μαθήματος: http://teachers.cm.ihu.gr/strch/apnd.pdf
• Διδάσκοντες: Στρουθόπουλος Χαράλαμπος
• Πρόγραμμα Μαθημάτων:
  • Τρ 10:00 - 13:00: Θ (103)
  • Τρ 19:00 - 21:00: Ε1 Ε3 (Ε.ΨΕΣ)
  • Πε 19:00 - 21:00: Ε2 Ε4 (Ε.ΨΕΣ)

Περιεχόμενα μαθήματος

ΕΙΣΑΓΩΓΗ

• Απαραίτητες Μαθηματικές έννοιες και εργαλεία.
• Μετρικές και αποστάσεις.

ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΕΠΟΠΤΗ

• Ο αλγόριθμός των k κοντινότερων γειτόνων (knn).
• Ταξινόμηση με γραμμικές διακριτικές συναρτήσεις.
• Ο Perceptron.
• Συναρτήσεις ενεργοποίησης.
• O πολυεπίπεδος Perceptron (Multi-Layer Perceptron).
• Μη γραμμικότητα με σιγμοειδείς συναρτήσεις.
• Συνάρτηση κόστους μέσου τετραγωνικού σφάλματος.
• Βελτιστοποίηση με κάθοδο κατά την κλίση (Gradient Descent).
• Διόρθωση με την μέθοδο της οπισθοδιάδοσης  σφάλματος (Back error propagation).
• Συνελικτικά Νευρωνικά Δίκτυα (CNN), Deep Learning.
• Mη γραμμικότητα με τις συναρτήσεις ReLU και Softmax.
• Η Συνάρτηση κόστους cross-entropy.
• Βελτιστοποιητές (optimizers) (SGD, Batch GD, Momentum GD, ADAM κλπ).
• Σημασιολογική κατάτμηση εικόνων με CNN.
• Αναδρομικά Νευρωνικά Δίκτυα RNN και LSTM.
• Δένδρα απόφασης

ΕΚΠΑΙΔΕΥΣΗ ΧΩΡΙΣ ΕΠΟΠΤΗ

• Απεικόνιση αλυσίδας.
• Ο Αλγόριθμος ISODATA ή Κ-Μέσων (k-means ή c-means).
• Αυτο-οργανούμενοι πίνακες απεικόνισης χαρακτηριστικών το Νευρωνικό δίκτυο Kohonen.

ΑΝΑΛΥΣΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ

• Ανάλυση χαρακτηριστικών στην εκπαίδευση με επόπτη.
• Ανάλυση χαρακτηριστικών στην εκπαίδευση χωρίς επόπτη, Ανάλυση Κύριων Συνιστωσών (Principal Component Analysis).

Μαθησιακοί Στόχοι

Στο μάθημα παρουσιάζονται οι θεμελιώδεις έννοιες της Υπολογιστικής Νοημοσύνης με απώτερο σκοπό την κατανόηση των τεχνολογικών εφαρμογών και επιτευγμάτων που βασίζονται στο συγκεκριμένο επιστημονικό κάδο. Η Υπολογιστική Νοημοσύνη κυριαρχεί στην μετάβαση από τις έξυπνες μηχανές στις νοήμονες. Οι σπουδαστές διδάσκονται τις βασικές έννοιες, τα μαθηματικά μοντέλα και  τις μεθόδους του κλάδου. Γνωρίζουν τις προκλήσεις του χώρου και αποκτούν το βασικό υπόβαθρο για περαιτέρω επιστημονικό και ερευνητικό έργο. Η εκπαιδευτική διαδικασία ολοκληρώνεται με την εκμάθηση και χρήση  λογισμικού εργαστηριακά.

Γενικές Ικανότητες

• Κατανόηση του στόχου του επιστημονικού κλάδου και των εφαρμογών που μπορούν να επιτευχθούν βάσει αυτού.
• Σχεδιασμός και Διαχείριση Έργων.
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.

Μέθοδοι Διδασκαλίας

• Θεωρητική από έδρας διδασκαλία με συζήτηση και ενεργή συμμετοχή των φοιτητών. Κατά την διάρκεια του μαθήματος γίνονται παρουσιάσεις σε powerpoint.
• Παρουσίαση εφαρμογών και παραδειγμάτων με χρήση λογισμικού.

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

• Χρήση εξειδικευμένου λογισμικού.
• Υποστήριξη Μαθησιακής διαδικασίας μέσω της ηλεκτρονικής πλατφόρμας e-class.
• Ασκήσεις Αυτοαξιολόγησης.

Οργάνωση Διδασκαλίας

Αξιολόγηση Φοιτητών

Ο βαθμός του θεωρητικού μέρους διαμορφώνεται από γραπτή τελική εξέταση. Η γραπτή τελική εξέταση τουμαθήματος περιλαμβάνει:

• Επίλυση προβλημάτων εφαρμογής των γνώσεων που αποκτήθηκαν.
• Ερωτήσεις σύντομης απάντησης.

Συνιστώμενη Βιβλιογραφία

Συγγράμματα μέσω του συστήματος ΕΥΔΟΞΟΣ:

1. Βιβλίο [13256974]: Αναγνώριση Προτύπων, Theodoridis S.
2. Βιβλίο [9743]: Νευρωνικά Δίκτυα & Μηχανική Μάθηση, Haykin Simon.
3. Βιβλίο [13908]: ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ, ΚΩΝΣΤΑΝΤΙΝΟΣ ΔΙΑΜΑΝΤΑΡΑΣ.

Συγγράμματα που διανέμονται μέσω του Ιδρύματος ή της ηλεκτρονικής σελίδας του μαθήματος:

1. Χ.ΣΤΡΟΥΘΟΠΟΥΛΟΣ «ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ» ΣΗΜΕΙΩΣΕΙΣ.

Συμπληρωματική προτεινόμενη βιβλιογραφία:

1. Judith Dayhott, “Neural Network Architectures”, VAN NOSTRAND REINHOLD, ISBN: 0-442-20744-1.