Διδάσκουσα: Τατιάνα Ταμπουρατζή
Κωδικός Μαθήματος: ΤΕΠΑΡ03
Εξάμηνο: 7ο επ. (Χειμερινό)
Απαιτούμενα: –
Γλώσσα Διδασκαλίας: Ελληνικά
Αριθμός Ευρωπαϊκών Πιστωτικών Μονάδων (ECTS): 5,5
ΑΝΤΙΚΕΙΜΕΝΟ
Το μάθημα παρουσιάζει τις δυνατότητες και τις προοπτικές της τεχνητής νοημοσύνης καθώς αναλύει μία σειρά θεμάτων που αποτελούν τον πυρήνα της, όπως αναπαράσταση προβλήματος, τεχνικές επίλυσης προβλημάτων, χρήση λογικής στην επίλυση προβλημάτων, μηχανική εκμάθηση και βελτιστοποίηση.
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές/τριες:
- Θα γνωρίζουν βασικά ζητήματα της τεχνητής νοημοσύνης.
- Θα έχουν εξοικειωθεί με την χρήση μεθόδων αναπαράστασης γνώσης με προτασιακή και κατηγορική λογική, όπως επίσης και με αναδρομικούς κανόνες.
- Θα γνωρίζουν τις βασικές δομές των αλγόριθμων αναζήτησης.
- Θα έχουν αναπτύξει βασικά προγραμματιστικά σχήματα ευφυών πρακτόρων.
- Θα γνωρίζουν σε βάθος τα χαρακτηριστικά ενός έμπειρου συστήματος.
- Θα έχουν εκπαιδευτεί στον προγραμματισμό.
ΣΤΟΧΟΙ & ΠΕΡΙΕΧΟΜΕΝΑ
Το μάθημα καλύπτει τις ακόλουθες ενότητες:
- Εισαγωγικά: Ηλεκτρονικοί Υπολογιστές, Φυσική και τεχνητή νοημοσύνη, Επίτευξη τεχνητής νοημοσύνης, Ανάπτυξη τεχνητής νοημοσύνης (Ιστορικά βήματα προς ΤΝ, Ορόσημα της ΤΝ, Αποτίμηση πορείας ΤΝ), Σημερινές δυνατότητες τεχνητής νοημοσύνης, Σκοπός μαθήματος
- Αναπαράσταση προβλήματος: Συμβολική αναπαράσταση, Επιλογή συμβολικής αναπαράστασης (Πρώτη αναπαράσταση και ΤΝ, Δεύτερη αναπαράσταση και ΤΝ, Τρίτη αναπαράσταση και ΤΝ), Χειρισμός συμβολικής αναπαράστασης – Λογική (Προτασιακή λογική (propositional logic), Κατηγορική λογική (predicate logic)), Ασαφής λογική (fuzzy logic)
- Τεχνικές ΤΝ για επίλυση προβλημάτων: Αναζήτηση (Επίλυση ως αναζήτηση στον χώρο του προβλήματος, Μέθοδοι αναζήτησης (Εξαντλητική ‐ British museum, Σε βάθος ‐ depth first, Σε πλάτος‐ breadth first, Καλύτερη πρώτα ‐ best first, Ακτινωτή ‐ beam, Αναρρίχηση ‐ hill climbing, Μέσωπεριορισμού παρακλαδιών ‐ branch and bound, Μέσω περιορισμού παρακλαδιών με υποεκτίμηση ‐branchandboundwithunderestimates, Δυναμικός προγραμματισμός, Α*)), Επίλυση ως ανάλυση και ικανοποίηση περιορισμών
- Χρήση λογικής για την επίλυση προβλημάτων: Καθημερινή γνώση (Σημασιολογικά δίκτυα (semantic nets), Σχήματα, Επεξεργασία φυσικής γλώσσας (natural language processing), Συστήματα γνώσης (knowledge‐based systems)), Έμπειρη γνώση (Συλλογιστική ‐ συστήματα κανόνων (rule‐based systems). Η συλλογιστική προς τα εμπρός, Συλλογιστική προς τα πίσω, Έμπειρα συστήματα (ΕΣ, expert systems), Πρότυπο ΕΣ, `Κλασσικό ΕΣ (MYCIN), Ασαφή έμπειρα συστήματα (fuzzy expert systems))
- Μηχανική εκμάθηση: Στρατηγικές εκμάθησης τεχνικών ΤΝ, Τεχνητά νευρωνικά δίκτυα (ΤΝΔ, artificial neural networks) (Βασικά στοιχεία δομής εγκεφάλου, Βασικά στοιχεία δομής ΤΝΔ, Εκμάθηση ΤΝΔ, Αποτίμηση ΤΝΔ)
- Βελτιστοποίηση: Γενετικοί αλγόριθμοι
Επίσης, οι φοιτητές/τριες παρακολουθούν εργαστηριακά μαθήματα στο Εργαστήριο Πληροφοριακών Συστημάτων Παραγωγής, με σκοπό την εξοικείωσή τους με τη θεματολογία του μαθήματος, καθώς και την πρακτική τους εξάσκηση στις έννοιες που παρουσιάζονται στις διαλέξεις. Το λογισμικό που χρησιμοποιείται είναι το MS EXCEL ή κάποιο ισοδύναμο (Open Office, κλπ.). Οι φοιτητές/τριες εκπαιδεύονται στα εργαστήρια με σύστημα εκ περιτροπής. Το πρόγραμμα των εργαστηρίων αναρτάται στην ιστοσελίδα του μαθήματος και στο eclass στην αρχή του εξαμήνου
Επιπλέον, στο eclass αναρτώνται σε ηλεκτρονική μορφή άρθρα, οπτικοακουστικό υλικό διαλέξεων, διαδικτυακές διευθύνσεις για χρήσιμες πληροφορίες και μελέτες περίπτωσης για εξάσκηση.
ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ
ΜΕΘΟΔΟΙ ΑΞΙΟΛΟΓΗΣΗΣ / ΒΑΘΜΟΛΟΓΗΣΗΣ
- 50% από τις γραπτές εξετάσεις
- 40% από την εργασία
- 10% από την ενεργή συμμετοχή
Η εξεταστέα ύλη του μαθήματος ανακοινώνεται στο eclass μετά το τελευταίο μάθημα του εξαμήνου. Ο τελικός βαθμός του μαθήματος διαμορφώνεται ως εξής:
- Κατά 50% από τον βαθμό της γραπτής εξέτασης, δίωρης διάρκειας, στην εξεταστική περίοδο του χειμερινού εξαμήνου και, σε περίπτωση αποτυχίας, στην επαναληπτική εξεταστική περίοδο του Σεπτεμβρίου.
- Κατά 40% από την εργασία
- Κατά 10% από την ενεργή συμμετοχή των φοιτητών/τριών στο μάθημα
Η γραπτή εξέταση περιλαμβάνει επίλυση ασκήσεων και ερωτήσεις σύντομης απάντησης. Διεξάγεται με κλειστά βιβλία.
Οι φοιτητές/τριες με ειδικές μαθησιακές δυσκολίες στην γραφή και στην ανάγνωση (όπως αυτές πιστοποιούνται και χαρακτηρίζονται από αρμόδιο φορέα) εξετάζονται βάσει της προβλεπόμενης από το Τμήμα διαδικασίας.
ΔΙΔΑΚΤΙΚΕΣ & ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ
Διδασκαλία: Διαλέξεις με σύγχρονα οπτικοακουστικά μέσα, υποστήριξη μαθησιακής διαδικασίας μέσω της ηλεκτρονικής πλατφόρμας eclass
Εργαστηριακή εκπαίδευση: Χρήση λογισμικού ανοικτής πρόσβασης για τις εργαστηριακές ασκήσεις
Επικοινωνία με τους φοιτητές: email, πλατφόρμα eclass
