ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ

 

ΓΕΝΙΚΑ

ΕΞΑΜΗΝΟ ΦΟΙΤΗΣΗΣ: 3ο
ΚΑΤΕΥΘΥΝΣΗ: Διεπιστημονικό
ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ: 8

ΔΙΔΑΣΚΟΝΤΕΣ

ΔΙΔΑΣΚΟΝΤΕΣ: Α. Σταφυλοπάτης, Γ. Στάμου, Γ. Σιόλας

ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ

Βασικές γνώσεις σε μαθηματικά (πίνακες, άλγεβρα, ανάλυση), τεχνικές βελτιστοποίησης, θεωρία γράφων, αλγόριθμους και πολυπλοκότητα, προγραμματισμό υπολογιστών

ΣΤΟΧΟΣ

Στο πλαίσιο του μαθήματος παρουσιάζονται θέματα από την περιοχή της Υπολογιστικής Νοημοσύνης με έμφαση στις τεχνολογίες Μηχανικής Μάθησης. Ειδικότερα, εξετάζονται τα μοντέλα Νευρωνικών Δικτύων με αναφορά και σε άλλες συναφείς τεχνικές, όπως τα Ασαφή Συστήματα, οι Γενετικοί Αλγόριθμοι και οι υβριδικές προσεγγίσεις. Μελετώνται υλοποιήσεις των νευρωνικών δικτύων και εφαρμογές τους. Οι σπουδαστές εκπονούν εργασία την οποία επιλέγουν σε κάποια από τις επιμέρους γνωστικές περιοχές του μαθήματος. Η εργασία περιλαμβάνει τόσο θεωρητικό όσο και πρακτικό μέρος.

ΜΕΘΟΔΟΣ ΕΞΕΤΑΣΗΣ

Για την εργασία του ακαδημαϊκού έτους 2018-2019, οι σπουδαστές θα εργαστούν κατά ομάδες -κατά προτίμηση 3 ατόμων. Κάθε ομάδα επιλέγει εργασία από ένα σύνολο προτεινόμενων προβλημάτων. Τα προβλήματα αντιστοιχούν σε θέματα ερευνητικών διαγωνισμών από δημόσια διαδικτυακή πλατφόρμα. Παρέχονται πολυάριθμα προβλήματα για επιλογή, τα οποία ανήκουν σε σημαντικές περιοχές εφαρμογών, όπως π.χ. computer vision, text mining, recommender systems, time series forecasting, brain-computer interface, medical data, earth sciences… κ.λπ.
Οι σπουδαστές παρουσιάζουν προφορικά την εργασία τους και παραδίδουν γραπτή αναφορά με σχετικό συνοδευτικό υλικό. Η τελική βαθμολογία υπολογίζεται από την παρουσίαση και από την αναφορά που παραδίδεται στο τέλος του εξαμήνου.

ΠΕΡΙΕΧΟΜΕΝΑ

1. Μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, διαδικασίες μάθησης, δυναμική συμπεριφορά, σύγκλιση και ευστάθεια.
2. Δίκτυα πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος (πολυστρωματικό perceptron, αλγόριθμος backpropagation), συσχετιστικά δίκτυα (δίκτυα τύπου Hopfield), πολυστρωματικά δίκτυα με ανατροφοδότηση, δίκτυα ανταγωνιστικής μάθησης (χάρτες Kohonen), τοπικοί κανόνες μάθησης (δίκτυα RBF), μηχανές διανυσμάτων υποστήριξης (support vector machines), συνδυασμοί νευρωνικών δικτύων (ensembles).
3. Ασαφή συστήματα.
4. Εξελικτικός υπολογισμός (γενετικοί αλγόριθμοι).
5. Υβριδικά συστήματα (ασαφή νευρωνικά συστήματα, εξελικτικά νευρωνικά δίκτυα).
6. Εφαρμογές (ταξινόμηση/ομαδοποίηση/αναγνώριση προτύπων, επεξεργασία εικόνας, έλεγχος και ρομποτική, διάγνωση/πρόβλεψη, βελτιστοποίηση).

ΒΙΒΛΙΟΓΡΑΦΙΑ

1. M.T. Hagan, H.B Demuth, M. H. Beale, O.De Jesús, Neural Network Design (2nd Edition), 2014.
2. P. McCorduck, Machines who Think: A Personal Inquiry into the History and Prospects of Artificial Intelligence, (2nd Edition), A K Peters/CRC Press, 2004.
3. F.O. Karray, C. De Silva, Soft Computing and Intelligent Systems Design Theory, Tools and Applications, Pearson Education (Addison-Wesley), 2004.
4. J.-S. Jang, C.-T. Sun, E. Mizutani, Neuro-Fuzzy and Soft Computing A Computational Approach to Learning and Machine Intelligence, Prentice-Hall, 1997.
5. S. Haykin, Neural Networks, A Comprehensive Foundation, Prentice-Hall, 1999.
6. R. J. Schalkoff, Artificial Neural Networks, McGraw-Hill, 1997.
7. M. Negnevitsky, Artificial Intelligence, A Guide to Intelligent Systems, Pearson Education (Addison-Wesley), 2002.
8. T. Mitchell, Machine Learning, McGraw-Hill, 1997.
9. C.-M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995.
10. Κωνσταντίνος Διαμαντάρας, Τεχνητά Νευρωνικά Δίκτυα, Εκδόσεις Κλειδάριθμος, 2007.

8