ΕΓΓΡΑΦΕΣ : LIVE WEBINAR " Τεχνητή Νοημοσύνη – Βαθιά Μηχανική Μάθηση – Δημιουργία ολοκληρωμένων εφαρμογών " , Σάββατο 6 Μαΐου
- Κυριακή 23 Απριλίου 2023 - 2:34 μ.μ. -

«Τεχνητή Νοημοσύνη – Βαθιά Μηχανική Μάθηση – Δημιουργία ολοκληρωμένων εφαρμογών»

Ένα διαδικτυακό σεμινάριο με ιδιαίτερο ενδιαφέρον που απευθύνεται σε όλους τους φοιτητές και φοιτήτριες διοργανώνει το Τμήμα ΗΜΜΥ, το Σάββατο 6 Μαΐου, με εισηγητή τον κ. Ευάγγελο Πεφάνη, μέλος Ε.Τ.Ε.Π. του Τμήματος.

ΕΓΓΡΑΦΗ : Συμμετοχή στο LIVE WEBINAR δηλώστε εδώ

Στο webinar διάρκειας 3,5 ωρών (15:00 – 18:30) και θέμα «Τεχνητή Νοημοσύνη – Βαθιά μηχανική μάθηση – Δημιουργία ολοκληρωμένων εφαρμογών», θα αναλυθούν οι παραπάνω έννοιες, καθώς και ζητήματα σχετικά με τα νευρωνικά δίκτυα και τους αλγόριθμους μηχανικής μάθησης, μέσα από την ανάπτυξη εφαρμογών με χρηστικότητα και την ανάλυση μεθόδων με απτά παραδείγματα μοντέλων τεχνητής νοημοσύνης. Η ανάπτυξη των μοντέλων αυτών θα συνοδευθεί από την κατάλληλη εκπαίδευσή τους, ώστε να αποδίδουν τα προσδοκόμενα αποτελέσματα ανά περίπτωση.

Στόχος του σεμιναρίου είναι, μέσα από την ανάλυση των παραπάνω μεθόδων, να διευκολυνθούν όλοι οι φοιτητές – ανεξαρτήτως του επιπέδου σπουδών τους και χωρίς την απαίτηση προηγούμενης εμπειρίας στον τομέα της τεχνητής νοημοσύνης – στη χρήση εργαλείων και στην ανάπτυξη ιδεών σε εφαρμογές τεχνητής νοημοσύνης χρησιμοποιώντας την γλώσσα προγραμματισμού Python. Παράλληλα, όμως, για τους μεταπτυχιακούς και διδακτορικούς φοιτητές που ασχολούνται ήδη με τεχνολογίες τεχνητής νοημοσύνης και με την ανάπτυξη αντίστοιχων εφαρμογών, θα βρουν στο σεμινάριο ένα πολύτιμο εργαλείο.

 

Για την παρακολούθηση του webinar είναι απαραίτητο οι φοιτητές να έχουν λάβει ενημέρωση και να έχουν κατεβάσει το υλικό - που θα διατεθεί ολοκληρωμένο δύο μέρες νωρίτερα - στις 4 Μαΐου -από εδώ.

Το σεμινάριο θα πραγματοποιηθεί μέσω Microsoft Teams στον ακόλουθο σύνδεσμο.

 

ΠΡΟΓΡΑΜΜΑ ΣΕΜΙΝΑΡΙΟΥ

1) Παρουσίαση εννοιών - μεθόδων :

  1. Τεχνητή Νοημοσύνη (AI)
  2. Μηχανική Μάθηση (ML)
  3. Επιβλεπόμενη Μηχανική Μάθηση
  4. Ενισχυτική Μηχανική Μάθηση
  5. Βαθιά Μηχανική Μάθηση (Deep Learning)
  6. Νευρωνικά Δίκτυα: Βασικές έννοιες
  7. Τύποι Νευρωνικών Δικτύων
  8. Συνελικτικά Νευρωνικά Δίκτυα (CNNs)
  9. Αναδρομικά Νευρωνικά Δίκτυα (RNNs)
  10. Τεχνικές Εκπαίδευσης Νευρωνικών Δικτύων: Μεταβολή βαρών, συνάρτηση κόστους, αντίστροφη διάδοση (backpropagation)
  11. Υπερεκπαίδευση και Προσαρμογή: Τεχνικές πρόληψης υπερεκπαίδευσης (dropout, early stopping)
  12. Αξιολόγηση Μοντέλων: Κύριες μετρικές (π.χ. ακρίβεια, ανακληση, F1-score)
  13. Προκλήσεις και ηθικά ζητήματα στην Τεχνητή Νοημοσύνη
  14. Μέλλον της Τεχνητής Νοημοσύνης

2) Παρουσίαση - εκτέλεση εφαρμογών:

Στο σεμινάριο θα παρουσιαστούν και θα εκτελεστούν οι παρακάτω ολοκληρωμένες και πρωτότυπες (αρκετές εξ αυτών) εφαρμογές. Σε κάποιες εξ΄ αυτών θα έχουμε την δυνατότητα να δούμε πως σταδιακά μπορούμε να βελτιώνουμε τα μοντέλα μας για να μας δίνουν τα προσδοκόμενα αποτελέσματα.

-Πρόγραμμα που χρησιμοποιεί ένα νευρωνικό δίκτυο που δημιουργεί το ίδιο το πρόγραμμα  σε γλώσσα Python για να προσεγγίσει τη λειτουργία της πύλης AND. Το μοντέλο And.h5 δημιουργείται από την εκπαίδευση του νευρωνικού δικτύου και αποθηκεύει τα βάρη του δικτύου. Αναλυτική παρουσίαση του δημιουργημένου μοντέλου στο extension του Visual Studio Code “H5Web”

-Θα αναπτυχθεί μεθοδολογία δημιουργίας σύνθετων  μοντέλων τα οποία θα εκπαιδεύονται εκμεταλλευόμενα τους πυρήνες CUDA τηs GPU, για βέλτιστη ταχύτητα επεξεργασίας.

-Πρόγραμμα χρησιμοποιεί τη βιβλιοθήκη TensorFlow και Keras για την αναγνώριση χειρόγραφων ψηφίων από τη βάση δεδομένων MNIST. Αυτός ο κώδικας δημιουργεί ένα νευρωνικό δίκτυο για την αναγνώριση χειρόγραφων ψηφίων από το σύνολο δεδομένων MNIST

-Πρόγραμμα τεχνητής νοημοσύνης και βαθιάς μηχανικής μάθησης χρησιμοποιώντας τη βιβλιοθήκη TensorFlow και Keras για την αναγνώριση εικόνων από το σύνολο δεδομένων CIFAR-10. Αυτός ο κώδικας δημιουργεί ένα νευρωνικό δίκτυο για την αναγνώριση εικόνων.

-Πρόγραμμα που δημιουργεί ένα νευρωνικό δίκτυο με αρχιτεκτονική LSTM για την ανάλυση συναισθήματος σε κείμενο από το σύνολο δεδομένων IMDb, χρησιμοποιώντας τις βιβλιοθήκες TensorFlow και Keras. Το πρόγραμμα επιλέγει μια τυχαία κριτική από το σύνολο δεδομένων ελέγχου, κάνει μια πρόβλεψη με το μοντέλο, και εμφανίζει την κριτική μαζί με την πρόβλεψη. Η αποκωδικοποιημένη κριτική μεταφράζεται στα ελληνικά χρησιμοποιώντας τη βιβλιοθήκη "transformers" και το μοντέλο "Helsinki-NLP/opus-mt-en-el".

-Πρόγραμμα που δημιουργεί ένα μοντέλο βαθιάς μάθησης με αρχιτεκτονική LSTM για την ανάλυση μετεωρολογικών δεδομένων της Πάτρας από το 2000 έως το 2022. Χρησιμοποιεί τυχαίες προσεγγιστικές τιμές για τις μετεωρολογικές παραμέτρους, θέτει αυτές τις τιμές σε ένα αρχείο csv και κάνει μια πρόβλεψη καιρού για την ημερομηνία 6/4/2022. Στο τέλος, εμφανίζει τις πραγματικές τιμές και τις προβλέψεις του μοντέλου για σύγκριση.

-Πρόγραμμα που δημιουργεί ένα μοντέλο βαθιάς μάθησης με αρχιτεκτονική LSTM για την ανάλυση μετεωρολογικών δεδομένων της Πάτρας από το 2000 έως το 2022. Το μοντέλο εκπαιδεύεται με προσομοίωση ιστορικών δεδομένων κλίματος και καιρού για την πόλη της Πάτρας και κάνει μια πρόβλεψη καιρού για την ημερομηνία 6/4/2022. Στο τέλος, εμφανίζει τις πραγματικές τιμές και τις προβλέψεις του μοντέλου για σύγκριση.

-Πρόγραμμα, στο οποίο γίνετε μια αλλαγή στο μοντέλο του προηγούμενου προγράμματος, εκτελούνται προβλέψεις για τις πραγματικές τιμές των καιρικών παραμέτρων (θερμοκρασία, υγρασία, ατμοσφαιρική πίεση, άνεμος) για την ημερομηνία 6/4/2022. Ο κώδικας χρησιμοποιεί το μοντέλο ConvLSTM2D, το οποίο εκπαιδεύεται με προσομοίωση ιστορικών δεδομένων κλίματος και καιρού για την πόλη της Πάτρας.  Οι προβλέψεις του μοντέλου συγκρίνονται με τις πραγματικές τιμές για να εκτιμηθεί η ακρίβεια του μοντέλου.

-Πρόγραμμα στο οποίο υλοποιείται ένα παιχνίδι Τρίλιζας μεταξύ του χρήστη και του υπολογιστή, χρησιμοποιώντας ένα νευρωνικό δίκτυο της Keras για τη λήψη αποφάσεων από τον υπολογιστή. Το μοντέλο εκπαιδεύεται με βάση τις κινήσεις του χρήστη και αποθηκεύεται σε ένα αρχείο όταν ο υπολογιστής κερδίσει ή χάσει. Θα χρησιμοποιήσουμε την μέθοδο Q-learning στην μάθηση που είναι μια τεχνική εκμάθησης ενισχύσεων (reinforcement learning) και που χρησιμοποιείται για να βρει τη βέλτιστη στρατηγική ενέργειας σε ένα πρόβλημα απόφασης με το πέρασμα του χρόνου.

-Δημιουργία προγράμματος που χρησιμοποιεί ένα νευρωνικό δίκτυο Transformers για να παράγει μουσική από τυχαίες νότες. Βάση του συναισθήματος που θα δημιουργείται από φράσεις που θα εισάγει ο χρήστης το μοντέλο θα πρέπει να δημιουργεί μια χαρούμενη η λυπημένη μουσική σύνθεση. Μετά την εκπαίδευση, το μοντέλο θα παράγει μια νέα σειρά από νότες και θα αποθηκεύει τη μουσική σε αρχείο τύπου .mid . Τέλος, το πρόγραμμα θα αναπαράγει τη μουσική προφέροντας ταυτόχρονα το κείμενο στην ελληνική γλώσσα και ταυτόχρονα θα σχεδιάζει σχήματα στην οθόνη, αλλάζοντας χρώματα και ακολουθώντας την μουσική σύνθεση (καλειδοσκόπιο).

-Ανάλυση του νοήματος ενός ποιήματος από ένα μοντέλο Transformer και σύγκριση του με το πραγματικό νόημα του ποιήματος

Ευάγγελος Πεφάνης