Please ensure Javascript is enabled for purposes of website accessibility

Μάθημα : ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ

CEID1104 - E. Zαχαράκη, Β. Μεγαλοοικονόμου, Δ. Κοσμόπουλος, Δ. Κουτσομητρόπουλος

Περιγραφή Μαθήματος

Το μάθημα παρουσιάζει τις βασικές αρχές και μεθοδολογίες της Τεχνητής Νοημοσύνης, με έμφαση στις τεχνικές που επιτρέπουν σε υπολογιστικά συστήματα να αντιλαμβάνονται το περιβάλλον τους, να επεξεργάζονται πληροφορίες και να λαμβάνουν αποφάσεις για την επίτευξη συγκεκριμένων στόχων. Στο πλαίσιο αυτό εξετάζονται δύο κύριες κατευθύνσεις του πεδίου:

 

  1. Κλασική (συμβολική) Τεχνητή Νοημοσύνη, η οποία ασχολείται με τη σχεδίαση ευφυών πρακτόρων που δρουν ορθολογικά στο περιβάλλον τους, αξιοποιώντας τεχνικές αναζήτησης, αναπαράστασης γνώσης και συλλογισμού για την επίλυση προβλημάτων και τη λήψη αποφάσεων.

  2. Μηχανική Μάθηση και συνδεσιοκρατική Τεχνητή Νοημοσύνη, η οποία επικεντρώνεται στην εξαγωγή προτύπων και γνώσης από δεδομένα, καθώς και στην ανάπτυξη μοντέλων (όπως νευρωνικά δίκτυα) που μπορούν να μαθαίνουν, να προσαρμόζονται και να βελτιώνουν την απόδοσή τους μέσω της εμπειρίας.

Μέσα από τη μελέτη των δύο αυτών προσεγγίσεων, δίνεται  η δυνατότητα στους φοιτητές να αποκτήσουν ολοκληρωμένη εικόνα των θεωρητικών θεμελίων, των αλγορίθμων και των εφαρμογών της Τεχνητής Νοημοσύνης, καθώς και δεξιότητες σε πρακτικό επίπεδο.

  • Προτεινόμενα συγγράμματα

    •  «Τεχνητή Νοημοσύνη» Ι. Βλαχάβας, Π. Κεφαλας, Ν. Βασιλειάδης, Φ. Κόκκορας και Η. Σακελλαρίου -Δ'  Έκδοση Εκδ. Παν. Μακεδονίας, 2020

    • «Τεχνητή Νοημοσύνη, Μια σύγχρονη προσέγγιση», Stuart Russell και Peter Norvig,  2η Έκδοση, 2005, Εκδόσεις Κλειδάριθμος

    • «Μοντέρνες Ευρετικές Μέθοδοι για την Επίλυση Προβλημάτων», Michalewich Z., Fogel D., 2011, Broken Hill

    •  "Artificial Intelligence: A Guide to Intelligent Systems" Michael Negnevitsky  (3rd Edition) ,Addison Wesley
Εισαγωγή στην ΤΝ & Ευφυείς Πράκτορες [2 εβδ.]
  • Εισαγωγή στην Τεχνητή Νοημοσύνη (Ιστορία, φιλοσοφία, βασικές προσεγγίσεις και κλάδοι)
  • Ηθική χρήση ΤΝ, Αξιοπιστία, Επιπτώσεις
  • Ευφυείς Πράκτορες (Είδη πρακτόρων, περιβάλλοντα)
Επίλυση Προβλημάτων με Αναζήτηση [3 εβδ.]
  • Εισαγωγή στη θεωρία επίλυσης προβλημάτων (Χώρος αναζήτησης, μοντελοποίηση προβλήματος, περιορισμοί, βασικές έννοιες: αναπαράσταση, στόχος, συνάρτηση αξιολόγησης)
  • Τυφλές μέθοδοι αναζήτησης: Κατά πλάτος (BFS), Κατά βάθος (DFS), Ομοιόμορφου κόστους (Dijkstra)
  • Ευρετικές τεχνικές αναζήτησης: Greedy Best-First, Αλγόριθμος A* (ιδιότητες ευρετικών, αποδεκτότητα), Beam search, Branch and Bound
  • Τοπική αναζήτηση και μεθευρετικοί αλγόριθμοι: Ανάβαση Λόφων (Hill Climbing, τοπικά βέλτιστα, γειτονιές), Προσομοιωμένη ανόπτηση (Simulated Annealing)
  • Μέθοδοι εμπνευσμένες από τη φύση: Swarm Intelligence (PSO, ACO)
Αναπαράσταση Γνώσης & Αβεβαιότητα [3 εβδ.]
  • Λογικοί πράκτορες
  • Αναπαράσταση γνώσης και συλλογισμός (Βασικά Στοιχεία, Κριτήρια Αξιολόγησης, Είδη Συλλογισμού)
  • Δομημένες αναπαραστάσεις γνώσης (Σημασιολογικά Δίκτυα, Πλαίσια, Οντολογίες, Εννοιολογικοί Γράφοι)
  • Κανόνες και Έμπειρα Συστήματα
  • Διαχείριση Αβεβαιότητας: Αναπαράσταση αβέβαιης γνώσης (Κανόνας Bayes, συντελεστές βεβαιότητας)
Εισαγωγή στη Μηχανική Μάθηση [2 εβδ.]
  • Εισαγωγή στη Μηχανική Μάθηση: ιστορικά, είδη μάθησης (εκπαιδευόμενη, μη ή ασθενώς εκπαιδευόμενη μάθηση, ενισχυτική μάθηση (Reinforcement Learning), Προεπεξεργασία
  • Μάθηση Αναπαραστάσεων και Συμπίεση Πληροφορίας (μη ή ασθενώς εκπαιδευόμενη μάθηση):
    • Χώρoς χαρακτηριστικών (Feature Space)
    • Γραμμική μάθηση αναπαραστάσεων μέσω PCA, Ανακατασκευή Δεδομένων
    • Συσταδοποίηση (KMeans, Ιεαραρχική)
  • Εκπαιδευόμενη μάθηση:
    • Έννοιες εκπαίδευσης/ελέγχου (Training/Testing), υπερπροσαρμογή (Overfitting)
    • Μη-Πιθανοτικοί Αλγόριθμοι (Δέντρα απόφασης, k-NN, SVM)
  • Στατιστική Μάθηση και Πιθανοτικά Μοντέλα Μάθησης:
    • Ταξινομητής Naive Bayes (Απλός Μπεϋζιανός Ταξινομητής)
    • Εισαγωγή στα Μπεϋζιανά Δίκτυα (Bayesian Networks), Μάθηση σε κατευθυνόμενους ακυκλικούς γράφους (DAGs)
    • Περιβάλλοντα αβεβαιότητας και ανταμοιβών (Markov Decision Processes, Reinforcement Learning)
Νευρωνικά Δίκτυα & Βαθιά Μάθηση [2 εβδ.]
  • Θεμέλια Νευρωνικών Δικτύων: Ιστορική αναδρομή, Perceptron, Δίκτυα Εμπρόσθιας Τροφοδότησης (Multi-Layer Feedforward / Backpropagation)
  • Εισαγωγή σε Σύγχρονες Αρχιτεκτονικές (Επισκόπηση):
  • Συνελικτικά ΝΔ (CNNs για εικόνα)
  • Αναδρομικά ΝΔ (RNNs για ακολουθίες)
  • Transformers (για κείμενο/LLMs)
  • [Προαιρετικά: ΝΔ με Γραφήματα (GNNs)]
  • [Προαιρετικά: Βαθιά Ενισχυτική Μάθηση (Deep RL)]
Όραση Υπολογιστών [1 εβδ.]

Ημερολόγιο

Προθεσμία
Γεγονός μαθήματος
Γεγονός συστήματος
Προσωπικό γεγονός

Ανακοινώσεις

Όλες...

Ανοικτό Ακαδ. Μάθημα

Ανοικτά Ακαδημαϊκά Μαθήματα
Επίπεδο: A-

Αρ. Επισκέψεων :  124811
Αρ. Προβολών :  695707

Μεταδεδομένα μαθήματος