Ρ202 – Μηχανική Ευφυία (Machine Intelligence)

/by

Εβδομαδιαίες ώρες διδασκαλίας: 3

Τυπικό εξάμηνο διδασκαλίας: 2ο Εξάμηνο

Διδασκαλίας:

Ενδεικτικά προαπαιτούμενα:

Διδακτικές Μονάδες: 7.5

Σκοπός και στόχοι του μαθήματος:

Ο σκοπός του μαθήματος είναι να εισάγει τους φοιτητές στις βασικές αρχές λειτουργίας και υλοποίησης ευφυών συστημάτων και συστημάτων μηχανικής μάθησης και μηχανικής ευφυίας. Αναλύεται ποικιλία μεθόδων και τεχνικών υπολογιστικής ευφυίας για την επίλυση δύσκολων προβλημάτων αναζήτησης λύσεων και βελτιστοποίησης αλλά και μοντέλα και μέθοδοι για τον έλεγχο συστημάτων, την εκμάθηση και αναπαραγωγή συμπεριφορών, την κατηγοριοποίηση, την αποτύπωση γνωσιακών μοντέλων και την αυτόματη προσαρμογή συστημάτων σε μεταβαλλόμενες συνθήκες. Γίνεται εργαστηριακή εφαρμογή μεθόδων μηχανικής ευφυίας σε προβλήματα κατηγοριοποίησης, βελτιστοποίησης και λήψης αποφάσεων.

Τύπος Μαθήματος: Υποχρεωτικό

Κατεύθυνση:

  • Ασαφή Συστήματα, Ασαφείς Ταξινομητές και Ασαφείς Ελεγκτές. Πρακτική εφαρμογή Ασαφών Συστημάτων.

  • Νευρωνικά Δίκτυα, εκπαίδευση, κατηγοριοποίηση, Νευρωνικοί ελεγκτές. Πρακτική εφαρμογή Νευρωνικών Δικτύων.

  • Κωδικοποίηση προβλημάτων και χώρων κατάστασης, χρήση Αλγορίθμων Τοπικής Αναζήτησης, Αλγόριθμοι Κατάβασης Κλίσης.

  • Αλγόριθμοι εμπνευσμένοι από τη Βιολογία: Εξελικτική Υπολογιστική, Γενετικοί Αλγόριθμοι. Πρακτική εφαρμογή Εξελικτικών Αλγορίθμων.

  • Αλγόριθμοι Ευφυίας Σμηνών: Βελτιστοποίηση Σμήνους Σωματιδίων (PSO), Αλγόριθμοι Αποικίας Μυρμηγκιών, Αλγόριθμοι Αποικίας Μελισσών.

  • Γενετικός Προγραμματισμός, Αυτόματη Εξέλιξη Δομών, Βελτιστοποίηση Λογισμικού,

  • Συστήματα Κανόνων, Συστήματα Λήψης Αποφάσεων, Learning Classifier Systems.

  • Πολύ-πρακτορικά συστήματα (Multi-agent systems).

Βιβλιογραφία:

1. "Τεχνητή Νοημοσύνη, Μία Σύγχρονη Προσέγγιση", Stuart Russell & Peter Norvig, (2η αμερικανική έκδοση, 2002). Εκδόσεις Κλειδάριθμος, 2004. ISBN: 960-209-873-2.
2. “Intelligent Systems: Principle, Paradigms and Pragmatics”, R. Schalkoff, Jones & Bartlett Learning, 2009.
3. “Computational Intelligence: An Introduction”, A.P. Engelbrecht, 2nd Edition, Wiley, 2007.
4. “Evolutionary Computation”, K.A. de Jong, MIT Press, 2002.
5. “Machine Learning: An Algorithmic Perspective”, S. Marsland, CRC Press, 2009.
6. “Machine Learning”, T. Mitchell, McGraw-Hill, 1997.
7. “Fundamentals of Computational Swarm Intelligence”, Andries P. Engelbrecht, John Wiley & Sons, 2006
8. “The Fuzzy Systems Handbook”, Earl Cox, Michael O'Hagan, Morgan Kaufmann Publishers.
9. “Artificial Immune Systems: A New Computational Intelligence Approach”, Leandro Nunes de Castro, Jonathan Timmis , 364 pages, Publisher: Springer; 1 edition (November 11, 2002)
10. “Ant Colony Optimization” Marco Dorigo, Thomas Stützle, Bradford Books, 328 pages, Publisher: The MIT Press (July 1, 2004)
11. “Genetic Algorithms in Search optimization and Machine Learning”, D. Goldberg, Addison-Wesley Pub. Co., 1989.
12. “Genetic Programming - An Introduction”, Banzhaf, Wolfgang, Nordin, Peter, Keller, Robert E., and Francone, Frank D., San Francisco, CA: Morgan Kaufmann Publishers and Heidelberg, 1998.
13. “Simulated Annealing, Theory with Applications”, Rui Chibante, InTech, 2010.
14. “An Introduction to MultiAgent Systems”, Michael Wooldridge, - Second Edition, John Wiley & Sons, 2009.