Artificial Intelligence

General

• Code: ΠΛΕ09082
• Semester: 9th
• Study Level: Undergraduate
• Course type: Specialization
• Teaching and exams language: Greek
• Teaching Methods (Hours/Week): Lectures (2) / Practice Exercises (1) / Laboratory Exercises (1)
• ECTS Units: 5
• Instructors: Kaburlasos Vassilis
• Class Schedule:
  • Thu 10:00 - 13:00: Θ (2.1)
  • Thu 13:00 - 14:00: Ε (2.1)

Course Contents

• Εισαγωγή στο αντικείμενο. Συσχέτιση με άλλες επιστημονικές περιοχές. Απαρίθμηση των βασικών εργαλείων.
• Περιγραφή (α) στο χώρο των καταστάσεων και (β) με επαγωγή, και παραδείγματα.
• Μελέτη αλγόριθμων αναζήτησης, π.χ. κατά βάθος, κατά πλάτος, «τυφλή» αναζήτηση, «ευριστική» αναζήτηση, κ.λπ.
• Εφαρμογές αλγόριθμων αναζήτησης σε παιγνίδια δύο αντιπάλων.
• Αλγόριθμοι ελέγχου συνέπειας.
• Αναπαραστάσεις γνώσης, συλλογιστικές και χειρισμός αβέβαιης γνώσης.
• Θεωρία πιθανοτήτων με έμφαση στο θεώρημα του Bayes και στην προσέγγιση Dempster-Shafer.
• Ασαφή σύνολα, ασαφής λογική και εφαρμογές αυτών.
• Πράκτορες και σημασιολογικό διαδίκτυο.

Educational Goals

Σκοπός του μαθήματος είναι να εισάγει στην επιστημονική περιοχή της Τεχνητής Νοημοσύνης παρουσιάζοντας την ιστορική εξέλιξη αυτής, μελετώντας ώριμες τεχνολογίες, και περιγράφοντας σύγχρονες τάσεις αναφορικά σε ένα ευρύ φάσμα πρακτικών εφαρμογών. Συγκεκριμένα:

Η ύλη του μαθήματος στοχεύει στην εισαγωγή των σπουδαστών σε βασικές τεχνικές αναζήτησης, στην περιγραφή, καθώς και στον συνδυασμό αυτών. Έμφαση δίδεται στην αναγνώριση πρακτικών προβλημάτων όπου μπορούν να εφαρμοστούν τεχνικές αναζήτησης όπως σε παιγνίδια δύο αντιπάλων, σε προβλήματα ικανοποίησης περιορισμών, κλπ.

Επίσης, στόχος είναι η περιγραφή αναπαραστάσεων γνώσης, διάφορες συλλογιστικές,  καθώς και η περιγραφή και διάκριση διαφόρων τεχνολογιών/τεχνικών χειρισμού αβέβαιης γνώσης.

Τέλος, στόχο του μαθήματος αποτελεί η αναγνώριση από τους σπουδαστές σύγχρονων πεδίων εφαρμογών μεθόδων της τεχνητής νοημοσύνης με έμφαση στο διαδίκτυο.

Με αυτή την έννοια το μάθημα αποτελεί τη βάση πάνω στην οποία συγκεκριμένες μεθοδολογίες και τεχνικές αναπτύσσονται σε επί μέρους ειδικά μαθήματα της κατεύθυνσης.

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

• Μπορεί να περιγράψει ένα πρόβλημα αναζήτησης (α) στο χώρο των καταστάσεων και (β) με επαγωγή.
• Μπορεί να επιλέγει έναν κατάλληλο αλγόριθμο αναζήτησης για εφαρμογή σε ένα συγκεκριμένο πρόβλημα τεχνητής νοημοσύνης.
• Μπορεί να περιγράψει ποικίλες αναπαραστάσεις γνώσης.
• Μπορεί να αναγνωρίσει διάφορες συλλογιστικές.
• Μπορεί να διακρίνει διάφορους τύπους αβέβαιης γνώσης και να κάνει κάποιους βασικούς υπολογισμούς με κάθε τύπο αβέβαιης γνώσης.
• Μπορεί να επιλέξει έναν συνδυασμό κατάλληλων μεθοδολογιών τεχνητής νοημοσύνης για εφαρμογή σε σύγχρονα πεδία όπως το διαδίκτυο.

General Skills

• 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.

Teaching Methods

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

Use of ICT means

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

Teaching Organization

Students Evaluation

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.

Recommended Bibliography

1. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου, Τεχνητή Νοημοσύνη, Εκδόσεις Πανεπιστημίου Μακεδονίας, 2011.
2. S. Russell, P. Norvig, Τεχνητή Νοημοσύνη: Μια Σύγχρονη Προσέγγιση, Εκδόσεις Κλειδάριθμος, 2005 (Επιμέλεια ελληνικής έκδοσης: Γιάννης Ρεφανίδης).

Related Research Journals

1. Artificial Intelligence.
2. Artificial Intelligence in Engineering.
3. IEEE Intelligent Systems.
4. Information Sciences.
5. IEEE Transactions on Pattern Analysis and Machine Intelligence.
6. Cognitive Systems Research.
7. Engineering Applications of Artificial Intelligence.
8. Expert Systems with Applications.
9. Pattern Recognition.
10. Pattern Recognition Letters.