ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

Υπολογιστική Νοημοσύνη

1. ΓΕΝΙΚΑ

ΣΧΟΛΗ	Σχολή Μηχανικών
ΤΜΗΜΑ	Τμήμα Μηχανικών Πληροφορικής, Υπολογιστών και Τηλεπικοινωνιών
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ	Προπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ	%cf%80%ce%bb%cf%8505052	ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ		5ο
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ	Υπολογιστική Νοημοσύνη
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
Διαλέξεις			2		5
Ασκήσεις Πράξης			1
Εργαστηριακές Ασκήσεις			1
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) .	Ειδικού υποβάθρου
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:	Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS	Όχι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)	http://teachers.cm.ihu.gr/strch/apnd.pdf

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.
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 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
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.

3. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

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).

4. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

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

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.

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

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

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

Δραστηριότητα	Φόρτος εργασίας εξαμήνου
Διαλέξεις	26
Ασκήσεις Πράξης	13
Εργαστηριακές Ασκήσεις	13
Αυτοτελής Μελέτη	52
Ομαδική Εργασία	21
Σύνολο	125

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 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.

5. ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Συγγράμματα

Συγγράμματα μέσω του συστήματος ΕΥΔΟΞΟΣ:

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

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

Χ.ΣΤΡΟΥΘΟΠΟΥΛΟΣ «ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ» ΣΗΜΕΙΩΣΕΙΣ.

Συμπληρωματική προτεινόμενη βιβλιογραφία:

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