Πληροφορίες Μαθήματος
ΤίτλοςΥπολογιστική Νοημοσύνη / Computational Intelligence
Κωδικός088
ΣχολήΠολυτεχνική
ΤμήμαΗλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Κύκλος / Επίπεδο1ος / Προπτυχιακό
Περίοδος ΔιδασκαλίαςΕαρινή
Υπεύθυνος/ηΙωάννης Θεοχάρης
ΚοινόΝαι
ΚατάστασηΕνεργό
Course ID600001041

Πρόγραμμα Σπουδών: Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών

Εγγεγραμμένοι φοιτητές: 97
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣΕπιλογής845
ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝΕπιλογής845
ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝΕπιλογής845

Πληροφορίες Τάξης
ΤίτλοςΥπολογιστική Νοημοσύνη
Ακαδημαϊκό Έτος2019 – 2020
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Class ID
600144733
Τύπος Μαθήματος
  • Επιστημονικής Περιοχής
Κατηγορία Μαθήματος
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)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
1. Βασικά στοιχεία κλασικής λογικής. 2. Βασικές έννοιες λογισμού. 3. Αρχές σχεδίασης κλασικών ελεγκτών.
Μαθησιακά Αποτελέσματα
1. Αφομοίωση των αρχών και της λειτουργίας των διαφόρων διαδικασιών που απαρτίζουν τα ασαφή συστήματα: λεκτικές περιγραφές, υλοποίηση ασαφών κανόνων IF/THEN, μεθοδολογίες εξαγωγής συμπεράσματος 2. Για ένα δεδομένο πρόβλημα, ο φοιτητής θα πρέπει να είναι σε θέση να διαμορφώσει την κατάλληλη βάση ασαφών κανόνων, να επιλέξει τον βέλτιστο τύπο τελεστή επαγωγής, και τον τύπο της διαδικασίας αασφοποίησης και από-ασαφοποίησης. 3. Όσον αφορά το πρόβλημα ελέγχου, θα πρέπει να είναι σε θέση να αναπτύξει τον κατάλληλο ασαφή ελεγκτή, να διαμορφώσει την βάση των κανόνων ελέγχου, και να ακολουθήσει την σωστή διαδικασία ρύθμισης των κερδών εισόδου-εξόδου για βέλτιστη απόκριση του συστήματος. 4. Αναφορικά με τα ασαφή μοντέλα για αναγνώριση συστημάτων και πρόβλεψη χρονοσειρών, θα πρέπει να μπορεί να σχεδιάσει το κατάλληλο ασαφές μοντέλο, να επιλέξει και να υλοποιήσει την μέθοδο εκμάθησης των παραμέτρων του. 5. Κατανόηση των αρχών των αλγορίθμων ασαφούς ομαδοποίησης δεδομένων και της εφαρμογής στην επίλυση προβλημάτων ταξινόμησης 6. Κατανόηση και εμβάθυνση στις αρχές και μεθόδους εκμάθησης των ΝΝ. 7. Μελέτη των διαφόρων τύπων νευρωνικών δικτύων, των μεθόδων εκπαίδευσης τους και της εφαρμογής σε προβλήματα ελέγχου, μοντελοποίησης και ταξινόμησης 8. Διασύνδεση μεταξύ ασαφών και νευρωνικών μοντέλων και εμβάθυνση στις αρχές λειτουργίας τους
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
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Ασαφή Συστήματα: Ασαφή σύνολα, ιδιότητες και πράξεις ασαφών συνόλων, συναρτήσεις συμμετοχής. Θεώρημα ανάλυσης (resolution principle) και επέκτασης (extension principle). Σύνολα α-cuts, τομή, ένωση και συμπλήρωμα ασαφών συνόλων. Ασαφείς σχέσεις, ιδιότητες και πράξεις ασαφών σχέσεων, σύνθεση ασαφών σχέσεων, τελεστές σύνθεσης, σύνθεση ασαφών συνόλων και ασαφών σχέσεων. Λεκτικές μεταβλητές και αρχές ασαφούς λογικής. Ασαφείς IF/THEN κανόνες και σχέσεις συμπερασμού. Ασαφείς βάσεις κανόνων, συνθετική και επιμεριστική μέθοδος εξαγωγής συμπεράσματος. Δομή ασαφών συστημάτων, διαμερισμός του τμήματος υπόθεσης, μορφές ασαφοποιητή (fuzzifier) και μέθοδοι από-ασαφοποίησης (defuzzifier). Ασαφείς ελεγκτές, δομή ασαφών ελεγκτών, ασαφείς ελεγκτές PI, PD και PID. Σχεδίαση βάσης κανόνων ελεγκτών FZ-PI, FZ-PD και ελεγκτές τριών όρων FZ-PID. Συγκριτική σχεδίαση κερδών, αναλογία κερδών ασαφών και γραμμικών ελεγκτών, συγκριτική ρύθμιση κερδών, πειραματικά αποτελέσματα ασαφών ελεγκτών. Ασαφή μοντέλα TSK και μοντέλα με κανόνες singleton. Αλγόριθμοι εκπαίδευσης προσαρμοστικών ασαφών-νευρωνικών δικτύων. Αλγόριθμοι ομαδοποίησης δεδομένων. Αλγόριθμος FCM και εφαρμογές. Νευρωνικά Δίκτυα: Μοντέλο perceptron και κανόνες μάθησης δικτύων ΝΝ. Επιβλεπόμενη, μη επιβλεπόμενη και ενισχυτική μάθηση. Μονοστρωματικά και πολυστρωματικά ΝΝ. Αλγόριθμος επιβλεπόμενης εκπαίδευσης back propagation. Νευρωνικά δίκτυα RBF, ισοδυναμία με ασαφή συστήματα. Αυτό-οργανούμενα δίκτυα SOFM. Αλγόριθμος Learning Vector Quantization (LVQ). Εφαρμογές ΝΝ σε προβλήματα πρόβλεψης και ελέγχου. Ενσωμάτωση ασαφών και νευρωνικών συστημάτων, μοντέλα neuro-fuzzy.
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
  • Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις361,2
Φροντιστήριο361,2
Εκπόνηση μελέτης (project)301
Εξετάσεις481,6
Σύνολο1505
Αξιολόγηση Φοιτητών
Περιγραφή
Γραπτή εξέταση διάρκειας 180 λεπτών Αξιολόγηση υποχρεωτικών (5) θεμάτων
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εργασία (Συμπερασματική)
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
  • Έκθεση / Αναφορά (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1. Υπολογιστική Νοημοσύνη και Εφαρμογές, Ι. Μπούταλης, Γ. Συρακούλης, Εκδόσεις: Γ. ΣΥΡΑΚΟΥΛΗΣ, 2010, ISBN: 978-960-93-2008-5 2. Eισαγωγή στην Ασαφή Λογική (Fuzzy Logic)», Γ. Θεοδώρου, Εκδόσεις: ΤΖΙΟΛΑ, 2010, ISBN: 978-960-418-218-3. 3. Neural Fuzzy Systems, C.-T. Lin and C. S. G. Lee, Prentice Hall, Inc., 1996. 4. Neuro-fuzzy and Soft Computing. A computational approach to learning and machine intelligence, J.-S. R. Yang, C.-T. Sun, and E. Mizutani, Prentice Hall, NJ, 1997.
Τελευταία Επικαιροποίηση
04-06-2020