Ασαφή Συστήματα

Γενικά

• Κωδικός: ΠΛΕ06073
• Εξάμηνο: 6ο
• Επίπεδο Σπουδών: Προπτυχιακό
• Τύπος μαθήματος: Ειδίκευσης
• Γλώσσα διδασκαλίας και εξετάσεων: Ελληνικά
• Μέθοδοι Διδασκαλίας (Ώρες/εβδ.): Διαλέξεις (2) / Ασκήσεις Πράξης (1) / Εργαστηριακές Ασκήσεις (1)
• Μονάδες ECTS: 5
• Σελίδα μαθήματος: http://teachers.teicm.gr/vologian/bp.html

Περιεχόμενα μαθήματος

• Εισαγωγή στο αντικείμενο. Συσχέτιση με άλλες επιστημονικές περιοχές. Απαρίθμηση των βασικών εργαλείων.
• Βασικές αρχές της (μαθηματικής) λογικής. Προτασιακή λογική: ερμηνείες, λογική ισοδυναμία, Boolean τελεστές, θέματα ικανοποίησης και πληρότητας.
• Συνεπαγωγές. Διαζευκτική μορφή της λογικής, αρχή της ανάλυσης.
• Έμπειρα συστήματα.
• Ανάπτυξη μαθηματικών μοντέλων από αριθμητικά δεδομένα.
• Στοιχεία/τελεστές ασαφούς λογικής, ασαφή σύνολα, συστήματα ασαφών κανόνων,
• Ασαφείς συνεπαγωγές: θεωρία και εφαρμογές, ασαφή συστήματα τύπου Mamdani και Sugeno.
• Νευρο-ασαφή συστήματα, υπολογισμός με λέξεις.
• Αλγόριθμοι βελτιστοποίησης (γενετικοί αλγόριθμοι, βελτιστοποίηση σμήνους σωματιδίων).
• Μια ενοποιητική προσέγγιση στην υπολογιστική νοημοσύνη: Αριθμοί Διαστημάτων (ΑΔ), εναλλακτικές αναπαραστάσεις, ερμηνείες και βασικοί υπολογισμοί.

Μαθησιακοί Στόχοι

Σκοπός του μαθήματος είναι να εισάγει στην επιστημονική περιοχή των Ασαφών Συνόλων, της (Ασαφούς) Λογικής και των Ασαφών Συστημάτων παρουσιάζοντας την ιστορική εξέλιξη αυτών, μελετώντας ώριμες τεχνολογίες, και περιγράφοντας σύγχρονες τάσεις αναφορικά σε ένα ευρύ φάσμα πρακτικών εφαρμογών.

Η ύλη του μαθήματος στοχεύει στην εισαγωγή των σπουδαστών σε βασικές έννοιες ασαφών συνόλων και συστημάτων, νευρο-ασαφών δικτύων καθώς και τεχνικές βελτιστοποίησης. Έμφαση δίδεται στην περιγραφή συστημάτων που χρησιμοποιούν συνεργατικά τις προαναφερθείσες τεχνολογίες για την επίλυση πρακτικών προβλημάτων κυρίως ομαδοποίησης, ταξινόμησης, και παλινδρόμησης. Υπό αυτήν την έννοια το μάθημα αποτελεί τη βάση πάνω στην οποία θα αναπτυχθούν συγκεκριμένες μεθοδολογίες και τεχνικές σε ειδικά μαθήματα κατεύθυνσης.

Η ύλη του μαθήματος στοχεύει επίσης στην κατανόηση από τους σπουδαστές βασικών αρχών της (μαθηματικής) λογικής, βασικών τύπων λογικής καθώς και την μεθοδευμένη αναγνώριση χρήσεων της λογικής κυρίως στην ανάπτυξη λογισμικού. Επίσης αναφέρεται σε θέματα έμπειρων συστημάτων κανόνων καθώς και σε θέματα ανάπτυξης μαθηματικών μοντέλων από αριθμητικά δεδομένα.

Στόχο του μαθήματος αποτελεί η κατανόηση από τους σπουδαστές της σημασίας των ασαφών συνεπαγωγών, ο συγκερασμός με νευρωνικές αρχιτεκτονικές καθώς και η βελτιστοποίηση με αυτών.
Στόχο του μαθήματος αποτελεί η ουσιαστική κατανόηση της προτασιακής λογικής και η συσχέτιση της με το περιεχόμενο άλλων γνωστικών πεδίων όπως ψηφιακά ηλεκτρονικά, τεχνητή νοημοσύνη, μαθηματικά, κλπ.
Στόχο του μαθήματος επίσης αποτελεί η ουσιαστική κατανόηση θεωρητικών αρχών και συγκεκριμένων τεχνικών της κατηγορηματικής λογικής.
Επίσης, στόχο του μαθήματος αποτελεί η κατανόηση από τους σπουδαστές εννοιών που σχετίζονται με Αριθμούς Διαστημάτων (ΑΔ) με σκοπό μια ενοποιητική προσέγγιση στην μοντελοποίηση συστημάτων.

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

• Έχει κατανοήσει βασικά και κρίσιμα στοιχεία θεωρίας ασαφών συνόλων και ασαφούς λογικής, βασικές αρχιτεκτονικές νευρο-ασαφών δικτύων και βασικές τεχνικές  βελτιστοποίησης.
• Έχει κατανοήσει τις βασικές αρχές της (μαθηματικής) λογικής, της προτασιακής λογικής και της λογικής πρώτης-τάξης.
• Μπορεί να εξηγήσει λογικές ισοδυναμίες της προτασιακής λογικής και να περιγράψει ερμηνείες καθώς και παραγωγικά (λογικά) συστήματα της προτασιακής λογικής.
• Μπορεί να αναγνωρίσει ισοδύναμες λογικές προτάσεις και να εξηγήσει αποδεικτικές μεθόδους.
• Μπορεί να περιγράψει και, τελικά, να επιλέξει ένα έμπειρο σύστημα, ένα ασαφές σύστημα ή/και ένα νευρο-ασαφές σύστημα κατά τις ανάγκες εκτιμώντας τη δυνατότητα βελτιστοποίησης του.
• Μπορεί να εκτιμά με σκοπό να γενικεύει χρήσιμα μαθηματικά μοντέλα.
• Αναγνωρίσει και να κατανοήσει με σκοπό να μπορεί να αναπτύξει, ενδεχομένως συνδυάζοντας, κατάλληλα μαθηματικά μοντέλα από αριθμητικά δεδομένα.
• Αναγνωρίσει και να κατανοήσει τα πολλαπλά οφέλη μιας ενοποιητικής προσέγγισης στην μοντελοποίηση συστημάτων.

Γενικές Ικανότητες

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών.
• Προσαρμογή σε νέες καταστάσεις.
• Λήψη αποφάσεων.
• Αυτόνομη Εργασία.
• Ομαδική Εργασία.
• Παραγωγή νέων ερευνητικών ιδεών.
• Παραγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.

Μέθοδοι Διδασκαλίας

• Θεωρητική διδασκαλία, ανάπτυξη της ύλης στον πίνακα – χρήση διαφανειών.
• Εργαστηριακές ασκήσεις με χρήση H/Y και MATLAB.

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

• Χρήση εξειδικευμένου λογισμικού.
• Υποστήριξη της μαθησιακής διαδικασίας μέσω της ιστοσελίδας του μαθήματος.
• Ηλεκτρονική επικοινωνία (email) κατά τις ανάγκες.

Οργάνωση Διδασκαλίας

Αξιολόγηση Φοιτητών

I. Γραπτή τελική εξέταση (70%) που περιλαμβάνει επίλυση προβλημάτων.
II. Τελική Εξέταση Εργαστηρίων (30%) που περιλαμβάνει επίλυση προβλημάτων.

Σημειώνεται ότι ο φοιτητής θα πρέπει να έχει παρακολουθήσει επιτυχώς το εργαστηριακό μέρος για να έχει δικαίωμα εξέτασης στο θεωρητικό μέρος. Τα κριτήρια αξιολόγησης έχουν ως εξής:

• Ικανότητα Ανάλυσης Προβλήματος.
• Ικανότητα Σχεδιασμού Λύσεων.
• Ικανότητα Υλοποίησης Λύσεων.

Προφορική τελική εξέταση (100%), για όσους έχουν πρόβλημα δυσλεξίας.

Συναφή επιστημονικά περιοδικά

1. Applied Soft Computing.
2. IEEE Transactions on Fuzzy Systems.
3. IEEE Transactions on Neural Networks and Learning Systems.
4. Neural Networks.
5. Neurocomputing.