Πληροφορίες Μαθήματος
ΤίτλοςΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ / COMPUTATIONAL INTELLIGENCE
ΚωδικόςNDM-08-02
ΣχολήΘετικών Επιστημών
ΤμήμαΠληροφορικής
Κύκλος / Επίπεδο1ος / Προπτυχιακό
Περίοδος ΔιδασκαλίαςΕαρινή
Υπεύθυνος/ηΑναστάσιος Τέφας
ΚοινόΌχι
ΚατάστασηΕνεργό
Course ID40002980

Πρόγραμμα Σπουδών: ΠΠΣ-Τμήμα Πληροφορικής (2019-σήμερα)

Εγγεγραμμένοι φοιτητές: 17
ΚατεύθυνσηΤύπος ΠαρακολούθησηςΕξάμηνοΈτοςECTS
ΓΕΝΙΚΗ ΚΑΤΕΥΘΥΝΣΗΥΠΟΧΡΕΩΤΙΚΟ ΚΑΤΑ ΕΠΙΛΟΓΗ845

Πληροφορίες Τάξης
ΤίτλοςΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ
Ακαδημαϊκό Έτος2019 – 2020
Περίοδος ΤάξηςΕαρινή
Διδάσκοντες μέλη ΔΕΠ
Ώρες Εβδομαδιαία3
Class ID
600155629
Τύπος Μαθήματος 2016-2020
  • Υποβάθρου
  • Γενικών Γνώσεων
  • Επιστημονικής Περιοχής
  • Ανάπτυξης Δεξιοτήτων
Τύπος Μαθήματος 2011-2015
Ειδικού Υποβάθρου / Κορμού
Τρόπος Παράδοσης
  • Πρόσωπο με πρόσωπο
  • Eξ απoστάσεως εκπαίδευση
Ηλεκτρονική Διάθεση Μαθήματος
Erasmus
Το μάθημα προσφέρεται και σε φοιτητές προγραμμάτων ανταλλαγής.
Γλώσσα Διδασκαλίας
  • Ελληνικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Γενικές Προαπαιτήσεις
Προηγούμενη έκθεση σε νευρωνικά δίκτυα, αναγνώριση προτύπων, μαθηματική λογική βοηθά στην γρηγορότερη αφομοίωση των εννοιών.
Μαθησιακά Αποτελέσματα
Γνωστικοί: Θεμελίωση των εννοιών της υπολογιστικής νοημοσύνης στις περιοχές νευρωνικών δικτύων, στατιστικής μάθησης, ασαφούς λογικής και εξελικτικών αλγορίθμων. Εξοικείωση με τις έννοιες της αυτό-οργάνωσης, ανταγωνιστικής μάθησης, ενισχυτικής μάθησης. Κατανόηση των αρχών της ασαφούς λογικής, ασαφών συνόλων και ασαφών συστημάτων. Θεμελίωση των εξελικτικών τεχνικών στην βελτιστοποίηση. Έκθεση στην πληθώρα εφαρμογών της υπολογιστικής νοημοσύνης στην ανάλυση και ανάκτηση πολυμεσικών δεδομένων, στον ευφυή έλεγχο και την ρομποτική, στην δημιουργία νευροασαφών συστημάτων. Δεξιότητες: Ικανότητα υλοποίησης και εφαρμογής των τεχνικών υπολογιστικής νοημοσύνης που διδάχτηκαν (ασαφούς λογικής, εξελικτικών αλγορίθμων, νοημοσύνης πληθυσμών, νευρωνικών δικτύων) στην επίλυση πραγματικών προβλημάτων. Αντιμετώπιση σύνθετων πραγματικών προβλημάτων όπως τεχνητή όραση, ανάκτηση πολυμεσικής πληροφορίας, ρομποτικός έλεγχος.
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
  • Παραγωγή νέων ερευνητικών ιδεών
  • Σχεδιασμός και διαχείριση έργων
  • Άσκηση κριτικής και αυτοκριτικής
  • Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
Περιεχόμενο Μαθήματος
Επισκόπηση νευρωνικών δικτύων. Συσχετιστικές μνήμες. Αναδρομικά δίκτυα Hopfield. Αυτο-οργανωνούμενα δίκτυα. Kohonen maps και ανταγωνιστική μάθηση. Προσομοιωμένη ανόπτηση και μηχανή Boltzmann. Νευρωνικά δίκτυα ενισχυτικής μάθησης. Νευρωνικά δίκτυα βαθειάς μάθησης (Deep learning). Βαθειά συνελικτικά δίκτυα. Βαθειά αναδρομικά δίκτυα. Ασαφής λογική, ασαφής μάθηση και ασαφή συστήματα. Γενετικοί και εξελικτικοί αλγόριθμοι βελτιστοποίησης. Αλγόριθμοι βασισμένοι στην νοημοσύνη πληθυσμών (swarm intelligence). Γενετικός προγραμματισμός, Κοινωνιογνωσιακοί και μιμητικοί αλγόριθμοι. Εφαρμογές στην αναγνώριση προτύπων, ρομποτική. Νευροασαφή συστήματα. Υβριδικά συστήματα υπολογιστικής νοημοσύνης στην ανάλυση σήματος, εικόνας και video.
Λέξεις Κλειδιά
υπολογιστική νοημοσύνη, βαθειά μάθηση, Ασαφής μάθηση, Εξελικτικοί αλγόριθμοι
Τύποι Εκπαιδευτικού Υλικού
  • Σημειώσεις
  • Διαφάνειες
  • Βιντεοδιαλέξεις
  • Πολυμεσικό υλικό
  • Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
  • Χρήση Τ.Π.Ε. στη Διδασκαλία
  • Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
  • Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
  • Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Περιγραφή
Διαφάνειες, Προγράμματα, Βιβλιοθήκες υλοποιημένων αλγορίθμων, Επίδειξη εφαρμογών σε Η/Υ, χρήση ηλεκτρονική επικοινωνίας από τον ιστοχώρο του μαθήματος.
Οργάνωση Μαθήματος
ΔραστηριότητεςΦόρτος ΕργασίαςECTSΑτομικάΟμαδικάErasmus
Διαλέξεις90
Μελέτη και ανάλυση βιβλίων και άρθρων12
Εκπόνηση μελέτης (project)34
Συγγραφή εργασίας / εργασιών12
Εξετάσεις2
Σύνολο150
Αξιολόγηση Φοιτητών
Περιγραφή
Αξιολόγηση των υποχρεωτικών εργασιών (κώδικας και εκτέλεση εφαρμογής, δοκίμιο, παρουσίαση) 50%, Γραπτή εξέταση στην ύλη του μαθήματος 50%. Όλα τα κριτήρια αξιολόγησης των εργασιών περιγράφονται στις εκφωνήσεις των εργασιών και επεξηγούνται στην αίθουσα. Τα κριτήρια αξιολόγησης του γραπτού επίσης περιγράφονται στις τελευταίες διαλέξεις.
Μέθοδοι Αξιολόγησης Φοιτητών
  • Γραπτή Εξέταση με Ερωτήσεις Πολλαπλής Επιλογής (Συμπερασματική)
  • Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Διαμορφωτική, Συμπερασματική)
  • Γραπτή Εργασία (Διαμορφωτική, Συμπερασματική)
  • Προφορική Εξέταση (Διαμορφωτική, Συμπερασματική)
  • Δημόσια Παρουσίαση (Συμπερασματική)
  • Γραπτή Εξέταση με Επίλυση Προβλημάτων (Διαμορφωτική, Συμπερασματική)
  • Έκθεση / Αναφορά (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
1. ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ, Σ. ΤΖΑΦΕΣΤΑΣ, Σ.ΤΖΑΦΕΣΤΑΣ, 2η Εκδοση, ΑΘΗΝΑ, 2008 2. ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΚΑΙ ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ, 3η ΕΚΔΟΣΗ, S. Haykin, Παπασωτηρίου, 2010, Αθήνα.
Επιπρόσθετη βιβλιογραφία για μελέτη
ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ, Κ. ΔΙΑΜΑΝΤΑΡΑΣ, ΚΛΕΙΔΑΡΙΘΜΟΣ, 2007, ΑΘΗΝΑ
Τελευταία Επικαιροποίηση
12-10-2020