Δυναμικά Συστήματα: Εφαρμογές σε σήματα, ρομποτική, οικονομία

Πληροφορίες Μαθήματος
ΤίτλοςΔυναμικά Συστήματα: Εφαρμογές σε σήματα, ρομποτική, οικονομία / Dynamic Systems: Applications ton Signals, robotics and finance
ΚωδικόςDMCI107
ΣχολήΘετικών Επιστημών
ΤμήμαΠληροφορικής
Κύκλος / Επίπεδο2ος / Μεταπτυχιακό
Περίοδος ΔιδασκαλίαςΧειμερινή
Υπεύθυνος/ηΚωνσταντίνος Κοτρόπουλος
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID600016144

Πρόγραμμα Σπουδών: ΠΜΣ ΨΗΦΙΑΚΑ ΜΕΣΑ - ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (2018 εως σημερα) ΜΦ

Εγγεγραμμένοι φοιτητές: 3
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν117,5

Πρόγραμμα Σπουδών: ΠΜΣ ΨΗΦΙΑΚΑ ΜΕΣΑ - ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (2018 έως σήμερα) ΠΦ

Εγγεγραμμένοι φοιτητές: 2
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΚΟΡΜΟΣΥποχρεωτικό Κατ' Επιλογήν117,5

Πληροφορίες Τάξης
ΤίτλοςΔυναμικά Συστήματα: Εφαρμογές σε σήματα, ρομποτική, οικονομία
Ακαδημαϊκό Έτος2021 – 2022
Περίοδος ΤάξηςΧειμερινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Class ID
600200262
Τύπος Μαθήματος 2011-2015
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
Erasmus
Το μάθημα προσφέρεται και σε φοιτητές προγραμμάτων ανταλλαγής.
Γλώσσα Διδασκαλίας
  • Ελληνικά (Διδασκαλία, Εξέταση)
  • Αγγλικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Προηγούμενη έκθεση σε μαθήματα γραμμικής άλγεβρας, σημάτων-συστημάτων, και επεξεργασίας στοχαστικού σήματος βοηθούν στην γρηγορότερη πρόσληψη των εννοιών.
Μαθησιακά Αποτελέσματα
Γνωστικοί: 1) Να εξοικειωθούν με υπολογιστικά μοντέλα εκτίμησης και πρόβλεψης που βασίζονται σε Μπεϋζιανή συναγωγή, φίλτρα Kalman, φίλτρα σωματιδίων, Γκαουσιανό φιλτράρισμα. Δεξιότητες: Να εφαρμόσουν τη θεωρία σε δυναμικά συστήματα π.χ. χρηματιστηριακά, μετεωρολογικά, υπόδειξης πληροφορίας, ρομποτικά χρησιμοποιώντας προγραμματισμό σε Matlab/Python.
Γενικές Ικανότητες
  • Εφαρμογή της γνώσης στην πράξη
  • 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 διεπιστημονικό περιβάλλον
  • Παραγωγή νέων ερευνητικών ιδεών
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Υπολογιστική στατιστική. Δυναμικά συστήματα και διαδικασίες Markov διακριτού χρόνου. Μπεϋζιανή συναγωγή (Bayesian inference). Μπεϋζιανή εκτίμηση κατά δέσμες (batch). Αναδρομική Μπεϋζιανή εκτίμηση. Φιλτράρισμα Κalman και παραλλαγές του. Γκαουσιανό φιλτράρισμα, Φίλτρα σωματιδίων (particle filters). Πρόβλεψη που οδηγείται από δεδομένα. Πρόβλεψη που οδηγείται από μοντέλα και αφομοίωση δεδομένων (data assimilation). Εφαρμογές σε χωροχρονικές διαδικασίες (π.χ. εντοπισμός) και ατελή μοντέλα.
Λέξεις Κλειδιά
καταστατικές εξισώσεις, Μπεϋζιανή συναγωγή, Φιλτράρισμα Kalman
Τύποι Εκπαιδευτικού Υλικού
  • Διαφάνειες
  • Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
Περιγραφή
Ανάπτυξη προγραμματιστικών εφαρμογών με χρήση MATLAB, python
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις39
Μελέτη και ανάλυση βιβλίων και άρθρων96
Εκπόνηση μελέτης (project)60
Συγγραφή εργασίας / εργασιών15
Εξετάσεις15
Σύνολο225
Αξιολόγηση Φοιτητών
Περιγραφή
Οι γραπτές εξετάσεις συμβάλλουν σε ποσοστό 50% στον τελικό βαθμό. Οι εργασίες συμβάλλουν σε ποσοστό 40% στον τελικό βαθμό, ενώ το υπόλοιπο 10% προκύπτει από την ενεργό συμμετοχή στις διαλέξεις.
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Διαμορφωτική, Συμπερασματική)
  • Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
  • Δημόσια Παρουσίαση (Διαμορφωτική, Συμπερασματική)
Βιβλιογραφία
Επιπρόσθετη βιβλιογραφία για μελέτη
1. Steven M.Kay Fundamentals of Statistical Signal Processing, vol. I, Estimation Theory, Prentice Hall Signal Processing Series, Upper Saddle River, NJ: Prentice Hall, 1993. 2. James V. Candy, Bayesian Signal Processing: Classical, Modern, and Particle Filtering Methods, IEEE-Wiley, Hoboken, NJ: John Wiley and Sons, 2009. 3. C. K. Hui, and G. Chen, Kalman Filtering with Real-Time Applications, 3e. Berlin: Springer Verlag, 1999. 4. S. Reich and C. Cotter, Probabilistic Forecasting and Bayesian Data Assimilation, Cambridge, U.K.: Cambridge University Press, 2015.
Τελευταία Επικαιροποίηση
05-10-2020