Παρουσίαση/Προβολή

Διδάσκοντες

Ιωάννης Δ. Ζαχαράκης, Καθηγητής

Περιεχόμενο μαθήματος

Οι διαλέξεις καλύπτουν τις ακόλουθες  θεματικές ενότητες:

1. Εισαγωγικές έννοιες. Τι είναι Μηχανική Μάθηση.
2. Επιβλεπόμενη μηχανική μάθηση: εισαγωγικές έννοιες, μοντέλα, τεχνικές.
3. Ασκήσεις πράξης.
4. Μη επιβλεπόμενη μηχανική μάθηση: εισαγωγικές έννοιες, μοντέλα, τεχνικές.
5. Ασκήσεις πράξης.
6. Νευρωνικά δίκτυα: εισαγωγικές έννοιες, το μοντέλο του νευρώνα, perceptron.
7. Ασκήσεις πράξης.
8. Multi-layer perceptrons.
9. Ασκήσεις πράξης.
10. Δίκτυα Hopfield.
11. Δίκτυα Kohonen.
12. Γενετικοί αλγόριθμοι: εισαγωγικές έννοιες, γενετικοί τελεστές, γενικός γενετικός αλγόριθμος, παραδείγματα εφαρμογής, θεωρητική θεμελίωση.
13. Ασκήσεις πράξης.

Μαθησιακοί στόχοι

Με την επιτυχή ολοκλήρωση του μαθήματος, ο φοιτητής θα μπορεί να:

Σε επίπεδο Γνώσεων:

• γνωρίζει την έννοια της μάθησης με τρόπο, ο οποίος να είναι ρεαλιστικός και υλοποιήσιμος σε τεχνητά συστήματα λογισμικού
• αναπαράγει μεθόδους μηχανικής επιβλεπόμενης μάθησης
• αναπαράγει μεθόδους μηχανικής μη επιβλεπόμενης μάθησης
• κατανοεί την μοντελοποίηση ενός προβλήματος προς επίλυση με νευρωνικά δίκτυα
• γνωρίζει τρεις κατηγορίες νευρωνικών δικτύων
• περιγράφει τα βασικά χαρακτηριστικά των γενετικών αλγορίθμων
• κατανοεί την μοντελοποίηση ενός προβλήματος προς επίλυση με γενετικούς αλγορίθμους
• επιλέγει κατάλληλες τεχνικές αναπαράστασης γενετικών αλγορίθμων

Σε επίπεδο Δεξιοτήτων:

• εφαρμόζει μεθόδους μηχανικής επιβλεπόμενης μάθησης
• εφαρμόζει μεθόδους μηχανικής μη επιβλεπόμενης μάθησης
• αναλύει ένα πρόβλημα προς επίλυση με νευρωνικά δίκτυα
• χρησιμοποιεί τρεις κατηγορίες νευρωνικών δικτύων
• διαχειρίζεται τα βασικά χαρακτηριστικά των γενετικών αλγορίθμων
• αναλύει ένα πρόβλημα προς επίλυση με γενετικούς αλγορίθμους
• εφαρμόζει κατάλληλες τεχνικές αναπαράστασης γενετικών αλγορίθμων

Σε επίπεδο Ικανοτήτων:

• συνδυάζει τα παραπάνω για την επίτευξη μηχανικής μάθησης

Μέθοδοι διδασκαλίας

Δια ζώσης διαλέξεις

Χρήση Τεχνολογιών Πληροφοφικής & Επικοινωνιών

• Διαφάνειες για τη διδασκαλία του θεωρητικού μέρους.
• Οδηγοί για το πρακτικό μέρος.
• Επιλύσεις των ασκήσεων (δίνονται στους φοιτητές μετά την διεξαγωγή κάθε άσκησης).
• Υποστήριξη μαθησιακής διαδικασίας μέσω της ηλεκτρονικής πλατφόρμας e-class.
• Εξειδικευμένο λογισμικό και υλικό σχετικό με το μάθημα

Οργάνωση Διδασκαλίας

Μέθοδοι αξιολόγησης

Βιβλιογραφία

• Τεχνητή Νοημοσύνη, μια σύγχρονη προσέγγιση, 4η έκδοση, Stuart Russell, Peter Norvig, Εκδόσεις Κλειδάριθμος, 2021, Αθήνα.
• Τεχνητή Νοημοσύνη: Αρχές και εφαρμογές για την ανάπτυξη συστημάτων με τεχνολογίες νοημοσύνης, M.Negnevitsky, 3^ηέκδοση, 2018, Εκδόσεις Τζιόλα.