Υπολογιστική Νοημοσύνη

Επίσημο περίγραμμα μαθήματος του ΤΜΗΥΠ (Πανεπιστήμιο Πατρών), όπως δημοσιεύεται στη σελίδα του μαθήματος και στο συνημμένο αρχείο «Περίγραμμα Μαθήματος». Το κείμενο παρατίθεται αυτούσιο, χωρίς τα πρότυπα οδηγιών του εντύπου.

Στόχοι

• Με την ολοκλήρωση της διδασκαλίας του μαθήματος οι φοιτητές θα είναι ικανοί να:
• Οριοθετήσουν την Υπολογιστική Νοημοσύνη, σαν υποπεδίο της Τεχνητής Νοημοσύνης.
• Γνωρίζουν τι είναι Μηχανική Μάθηση.
• Γνωρίζουν τις βασικές αρχές μεθόδων που είναι εμπνευσμένες από τη φύση.
• Γνωρίζουν τα βασικά μοντέλα και τους αλγορίθμους εκπαίδευσης των Τεχνικών Νευρωνικών Δικτύων (Τ.Ν.Δ).
• Γνωρίζουν τις βασικές αρχές των Γενετικών και Εξελικτικών Αλγορίθμων.
• Θα έχουν αποκτήσει δεξιότητες στη σχεδίαση υβριδικών συστημάτων που συνδυάζουν τις δύο παραπάνω τεχνολογίες .

Μετά την ολοκλήρωση της διδασκαλίας του μαθήματος οι φοιτητές θα έχουν αναπτύξει τις παρακάτω δεξιότητες:

• Θα μπορούν να μοντελοποιήσουν ένα πρόβλημα ταξινόμησης και κατηγοριοποίησης, με τη βοήθεια των τεχνολογιών των Τ.Ν.Δ. και των Γ.Α..
• Θα μπορούν να επιλέξουν τις κατάλληλες τεχνικές/μεθοδολογίες για την επίλυσή του.
• Θα μπορούν να επιλέξουν τα κατάλληλα εργαλεία λογισμικού για την υλοποίηση της λύσης.
• Θα μπορούν να αξιολογήσουν την απόδοση ενός τέτοιου συστήματος.
• Θα μπορούν να σχεδιάσουν και να υλοποιήσουν ένα δικό τους σύστημα για επίλυση ενός πραγματικού προβλήματος.

Περιεχόμενο (ύλη)

Εισαγωγή (Βασικά μοντέλα αναπαράστασης τεχνητού νευρώνα, είδη συναρτήσεων ενεργοποίησης). Βασικές αρχιτεκτονικές δομές των Νευρωνικών Δικτύων. Βασικοί αλγόριθμοι της διαδικασίας μάθησης (Βασικά παραδείγματα μάθησης και η στατιστική φύση της διαδικασίας μάθησης, Βασικά στοιχεία της Θεωρίας της Μάθησης). Αλγόριθμος του Perceptron (Θεμελίωση του αλγορίθμου, θεώρημα σύγκλισης και μέτρο απόδοσης του αλγορίθμου). Αλγόριθμος Ελάχιστου Μέσου Τετραγωνικού Λάθους (Εξισώσεις Wiener-Hopf, επίλυσή τους με τον αλγόριθμο απότομης καθόδου (steepest descent), μελέτη σύγκλισης, καμπύλη μάθησης και μεθοδολογία εκπαίδευσης στοιχείου ADALINE). Perceptrons πολλών επιπέδων. Ο αλγόριθμος Πίσω Διάδοσης του Λάθους. Ο Γενικευμένος Δέλτα Κανόνας. Τρόποι εκπαίδευσης του δικτύου. Εισαγωγή στα Δίκτυα Hopfield και Kohonen.

Εισαγωγή στους Γενετικούς / Εξελικτικούς Αλγορίθμους – Γ / ΕΑ (Εισαγωγή, Τι είναι Γενετικός Αλγόριθμος, βιολογικό υπόβαθρο, σχεδίαση ΓΑ, αναπαράσταση χρωμοσωμάτων, τελεστές επιλογής, τελεστές διασταύρωσης και μετάλλαξης, παράμετροι ΓΑ). Μαθηματική Θεμελίωση των Γενετικών Αλγορίθμων (Εισαγωγή, Ποίος θα Ζήσει και Ποιος θα Πεθάνει: το Βασικό Θεώρημα, Γιατί και Πώς Λειτουργούν οι Γενετικοί Αλγόριθμοι. Υλοποίηση Γενετικού Αλγορίθμου σε Η/Υ (Εισαγωγή, Δομές δεδομένων, Αναπαραγωγή, Διασταύρωση και Μετάλλαξη, Το Κυρίως Πρόγραμμα, Κωδικοποίηση, Περιορισμοί). Εφαρμογές στην Τεχνολογία και τη Μηχανική. Εξελικτικά Νευρωνικά Δίκτυα.

Αξιολόγηση

Γλώσσα Αξιολόγησης: Ελληνική

1. Θεωρία(60%της τελικής βαθμολογίας)
2. Γραπτή τελική εξέταση (θέματα διαβαθμισμένης δυσκολίας που περιλαμβάνουν: Ερωτήσεις πολλαπλής επιλογής, ερωτήσεις σύντομης απάντησης, προβλήματα/ασκήσεις).
3. Εργαστηριακή Άσκηση (40% της τελικής βαθμολογίας)
4. Αξιολόγηση τεχνικής αναφοράς.
5. Επιλεκτικά, προφορική εξέταση.

Βιβλιογραφία

1. Νευρωνικά Δίκτυα και Μηχανική Μάθηση, S. Haykin, Εκδόσεις Παπασωτηρίου, 2010.
2. Υπολογιστική Νοημοσύνη, Πανεπιστημιακές Παραδόσεις, Σ. Λυκοθανάσης και Ε. Γεωργόπουλος, Πανεπιστήμιο Πατρών, 2014.
3. Neural Networks: A Comprehensive Foundation, Prentice Hall, 1999.
4. Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs. Second Extended Edition, Springer-Verlag, 1994.
5. D. Goldburg, Genetic Algorithms in Search, Optimization and Machine Learning, ADDISON – WESLEY, 1989.

-Συναφή επιστημονικά περιοδικά:

1. IEEE Transactions on Neural Networks
2. IEEE Transactions on Neural Networks and Learning Systems
3. Neural Networks, Elsevier.
4. Neurocomputing, Elsevier
5. IEEE Transactions on Evolutionary Computation
6. Evolutionary Computation, MIT Press.