Computational Intelligence

General

• Code: ΠΛΥ05052
• Semester: 5th
• Study Level: Undergraduate
• Course type: Special Background
• Teaching and exams language: Greek
• Teaching Methods (Hours/Week): Lectures (2) / Practice Exercises (1) / Laboratory Exercises (1)
• ECTS Units: 5
• Course homepage: http://teachers.cm.ihu.gr/strch/apnd.pdf
• Instructors: Strouthopoulos Charalampos
• Class Schedule:
  • Tue 10:00 - 13:00: Θ (103)
  • Tue 19:00 - 21:00: Ε1 Ε3 (Ε.ΨΕΣ)
  • Thu 19:00 - 21:00: Ε2 Ε4 (Ε.ΨΕΣ)

Course Contents

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).

Educational Goals

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.

General Skills

• 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.

Teaching Methods

• 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.

Use of ICT means

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

Teaching Organization

Students Evaluation

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.

Recommended Bibliography

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.