Τεχνητή Νοημοσύνη ΙΙ (Ανοικτό Μάθημα)

Κώστας Μουστάκας, Παύλος Πέππας, Κυριάκος Σγάρμπας, Νίκος Φακωτάκης

Περιγραφή

Το υλικό του μαθήματος που βρίσκεται στον φάκελο Open Courses δημιουργήθηκε στα πλαίσια του έργου Ανοικτά Μαθήματα.

Μάθημα Επιλογής 8ου Εξαμήνου με 5 διδακτικές μονάδες. Εβδομαδιαίο Πρόγραμμα: Διδασκαλία 2 ώρες, Ασκήσεις 1 ώρα, Εργαστήριο 2 ώρες. Περιεχόμενο: Λήψη Αποφάσεων, Θεωρία Παιγνίων, Μηχανική Μάθηση, Αντίληψη, Ρομποτική.

CC - Αναφορά - Μη Εμπορική Χρήση - Παρόμοια Διανομή
Συμπληρωματικά Στοιχεία:
Προϋπόθεση για να γραφτείτε στο μάθημα είναι να έχετε παρακολουθήσει το πρώτο μέρος "Τεχνητή Νοημοσύνη Ι" (έστω και παλιότερα που ονομαζόταν σκέτο "Τεχνητή Νοημοσύνη" και δεν είχε εργαστήριο).
Τρόποι αξιολόγησης / εξέτασης
  • Οι εξετάσεις γίνονται με ανοικτά βιβλία και σημειώσεις και επιτρέπεται η χρήση αριθμομηχανών.
  • Προϋπόθεση για τη συμμετοχή στην εξέταση του μαθήματος είναι ο φοιτητής να έχει περάσει το εργαστήριο.
  • Οι φοιτητές που δεν περνούν το μάθημα κατά το τρέχον ακαδημαϊκό έτος (Ιούνιο ή Σεπτέμβριο) θα πρέπει να επαναλαμβάνουν το εργαστήριο την επόμενη χρονιά.
  • ΟΙ ΕΞΕΤΑΖΟΜΕΝΟΙ ΘΑ ΠΡΕΠΕΙ ΑΠΑΡΑΙΤΗΤΩΣ ΝΑ ΕΧΟΥΝ ΜΑΖΙ ΤΟΥΣ ΔΕΛΤΙΟ ΤΑΥΤΟΤΗΤΑΣ, ΠΑΣΟ Η ΑΛΛΟ ΑΝΑΛΟΓΟ ΕΓΓΡΑΦΟ ΓΙΑ ΤΗΝ ΠΙΣΤΟΠΟΙΗΣΗ ΤΗΣ ΤΑΥΤΟΤΗΤΑΣ ΤΟΥΣ. ΔΕΝ ΘΑ ΔΟΘΟΥΝ ΘΕΜΑΤΑ ΣΕ ΚΑΝΕΝΑΝ ΠΟΥ ΔΕΝ ΕΧΕΙ ΜΑΖΙ ΤΟΥ ΤΑΥΤΟΤΗΤΑ.
Περιεχόμενο μαθήματος

Σχεδιασμός: Σχεδιασμός με αναζήτηση, σχεδιασμός με λογική, γραφήματα σχεδιασμού, χρονοπρογραμματισμός με περιορισμούς πόρων, ιεραρχικά δίκτυα εργασιών, σχεδιασμός σε μη αιτιοκρατικά πεδία, πολυπρακτορικός σχεδιασμός. Δράση υπό αβεβαιότητα: Δίκτυα Bayes, πιθανοτική συλλογιστική, προσεγγιστικός συμπερασμός, συμπερασμός με αλυσίδες Markov, ασαφής λογική, συμπερασμός σε χρονικά μοντέλα, κρυφά μοντέλα Markov, φίλτρα Kalman, δυναμικά δίκτυα Bayes, εφαρμογές στην αναγνώριση ομιλίας. Λήψη Αποφάσεων: Θεωρία χρησιμοτήτων, πολυκριτηριακές συναρτήσεις χρησιμότητας, δίκτυα αποφάσεων, έμπειρα συστήματα, θεωρία παιγνίων. Μηχανική μάθηση: Δέντρα αποφάσεων, επαγωγική μάθηση, μάθηση βασισμένη στις επεξηγήσεις (explanation based learning), επαγωγικός λογικός προγραμματισμός, στατιστικές μέθοδοι μάθησης, μοντέλα naive Bayes, ο αλγόριθμος EM, μάθηση μειγμάτων Gauss, μάθηση βασισμένη σε στιγμιότυπα (instance learning), μοντέλα και μηχανές πυρήνων, νευρωνικά δίκτυα, ενισχυτική μάθηση (reinforcement learning). Επικοινωνία: Τυπικές γραμματικές και γλώσσες, συντακτική ανάλυση, σημασιολογική ερμηνεία, γραμματικές DCG, αμφισημία και αποσαφήνιση, κατανόηση κειμένων, πιθανοτικά μοντέλα γλωσσών, γραμματικές PCFG, ανάκτηση και εξαγωγή πληροφοριών, μηχανική μετάφραση. Αντίληψη και ενέργεια: Μηχανική όραση, αναγνώριση αντικειμένων από εικόνες, ρομποτική αντίληψη, εντοπισμός και χαρτογράφηση, αισθητήρες ρομπότ και συσκευές δράσης, σχεδιασμός κίνησης, αρχιτεκτονικές λογισμικού ρομποτικής.

Διδάσκοντες

Το μάθημα διδάσκεται από τους καθηγητές:

Φακωτάκης Νίκος, Σγάρμπας Κυριάκος, Μουστάκας Κωνσταντίνος, Πέππας Παύλος

Προαπαιτούμενα

Προαπαιτούμενα μαθήματα: Τεχνητή Νοημοσύνη Ι

Μαθησιακοί στόχοι

Λήψη Αποφάσεων, Θεωρία Παιγνίων, Μηχανική Μάθηση, Αντίληψη, Ρομποτική

Βιβλιογραφία

Ενότητες

Βαθμολογία Μαθήματος

Εργαστήριο Μαθήματος

Μηχανική Μάθηση

Αντίληψη

Θεωρία Παιγνίων

Ανοικτό Ακαδ. Μάθημα

Ανοικτά Ακαδημαϊκά Μαθήματα
Επίπεδο: A+

Αρ. Επισκέψεων :  0
Αρ. Προβολών :  0

Ημερολόγιο