Darstellung / Vorschau

(MCDA201) -  Μιχαήλ N. Βραχάτης, Σωτήρης B. Κωτσιαντής

Beschreibung des Kurses

 

Μεταπτυχιακό Μάθημα 1ου Εξάμηνου (Χειμερινό) του Προγράμματος Μεταπτυχιακών Σπουδών «Υπολογιστική και Στατιστική Αναλυτική στην Επιστήμη των Δεδομένων» του Τμήματος Μαθηματικών του Πανεπιστημίου Πατρών. Το μάθημα θεωρείται «Υποχρεωτικό Μάθημα»   [ECTS 7.5]

Ο σκοπός του μαθήματος είναι να παρουσιάσει προηγμένα υπολογιστικά υποδείγματα (μαθηματικά μοντέλα) και συναφείς υπολογιστικές μεθόδους εμπνευσμένες από τη φύση (υπολογιστική της φύσης) και από βιολογικά πρότυπα (νευρωνικοί υπολογισμοί) με εφαρμογή στην επίλυση διαφόρων προβλημάτων όπως βελτιστοποίησης, ταξινόμησης, παλινδρόμησης κλπ. Επίσης, ιδιαίτερη έμφαση δίνεται και σε προβλήματα που χαρακτηρίζονται από αβεβαιότητα, δηλαδή προβλήματα για τα οποία τα διαθέσιμα δεδομένα είναι ελλιπή, σφαλματικά ή ακόμη και ασαφή. Με το μάθημα αυτό οι φοιτητές θα μπορούν να χρησιμοποιούν την υπολογιστική της φύσης και τα νευρωνικά δίκτυα για την επίλυση προβλημάτων της Επιστήμης των Δεδομένων.

Με την ολοκλήρωση του μαθήματος αναμένεται ότι οι φοιτητές θα είναι σε θέση να επιλέγουν και να εφαρμόζουν το καταλληλότερο υπολογιστικό υπόδειγμα για να προσεγγίσουν συστηματικά και να επιλύσουν προβλήματα της επιστήμης και της τεχνολογίας. Συγκεκριμένα, αναμένεται ότι οι φοιτητές θα έχουν αναπτύξει τις ακόλουθες δεξιότητες:

1. Κατανόηση διαφόρων μεθόδων,
2. Ικανότητα να διακρίνουν τα πλεονεκτήματα και τα μειονεκτήματα διαφόρων μεθόδων προκειμένου να είναι σε θέση να επιλέξουν και να εφαρμόσουν την καταλληλότερη μέθοδο για το πρόβλημα που καλούνται να επιλύσουν και
3. Ικανότητα να εφαρμόζουν αυτές τις μεθόδους στην επίλυση προβλημάτων του πραγματικού κόσμου.

 

Βιβλιογραφία

1. Brabazon, A., O'Neill, M. and McGarraghy, S. (2015) Natural Computing Algorithms. Springer Verlag, Berlin Heidelberg, Germany.
2. De Castro, L.N. (2006) Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications. CRC Press, Boca Raton, FL, U.S.A.
3. Graupe, D. (2016) Deep Learning Neural Networks: Design and Case Studies. World Scientific Publishing Co Inc, Danvers, MA, U.S.A.
4. Hassoun, Μ. Η. (1995) Fundamentals of Artificial Neural Networks. MIT Press Cambridge, MA, U.S.A.
5. Haykin, S. S. (1999) Neural Networks: A Comprehensive Foundation. Prentice-Hall, Upper Saddle River, NJ, U.S.A.
6. Nocedal J. and Wright, S.J. (2006) Numerical Optimization. 2nd ed., Springer, New York, NY, U.S.A.
7. Ortega, J.M. and Rheinboldt, W.C. (2000) Iterative Solution of Nonlinear Equations in Several Variables. SIAM, Philadelphia, PA, U.S.A.
8. Parsopoulos, K.E. and Vrahatis, M.N. (2010) Particle Swarm Optimization and Intelligence: Advances and Applications. Information Science Publishing (IGI Global), Hershey, PA, U.S.A.
9. Russell, S.J. and Norvig, P. (2016) Artificial Intelligence: A Modern Approach. 3nd ed., Pearson Education Limited, Harlow, England.
10. Smith, M. (1993) Neural Networks for Statistical Modeling. Van Nostrand Reinhold, New York, NY, U.S.A.
11. Βραχάτης, Μ.Ν. (2012) Αριθμητική Ανάλυση: Υπερβατικές Εξισώσεις. Εκδόσεις Κλειδάριθμος, Αθήνα.

Creation Date

Mittwoch, 27. Februar 2019