Μαθήματα

Ευφυή συστήματα

Γενικά

Περιεχόμενα μαθήματος

• Εισαγωγή στα Ευφυή συστήματα
• Ασαφής Λογική- Ασαφή Σύνολα
• Συναρτήσεις Συμμετοχής, Μαθηματική απεικόνιση
• Πράξεις μεταξύ Ασαφών Συνόλων (εφαρμογή τελεστών)
• Σχέσεις μεταξύ Ασαφών Συνόλων, Ασαφής Συνεπαγωγή
• Εξαγωγή κανόνων (ομαδοποίηση, αλγόριθμος κ-μέσων)
• Ασαφής Συμπερασμός (modus ponens, Συνθετικός Κανόνας Συμπερασμού)
• Τεχνητά Νευρωνικά Δίκτυα
• Perceptron, Θεώρημα σύγκλισης
• Γραμμικά Νευρωνικά Δίκτυα
• Δίκτυα εμπρόσθιας τροφοδότησης
• Αλγόριθμος μάθησης οπισθόδρομης διάδοσης (backpropagation)
• Βαθιά μάθηση
• Λογισμικό Matlab / εργαλειοθήκη του Matlab

Μαθησιακοί Στόχοι

Σκοπός του μαθήματος είναι να διδαχθούν οι φοιτητές/τριες τόσο τις απαραίτητες θεωρητικές γνώσεις των ευφυών συστημάτων όσο και τα πρακτικά εργαστηριακά εργαλεία.
Με την επιτυχή ολοκλήρωση του μαθήματος οι φοιτητές/τριες θα:
– διαθέτουν γνώση των βασικών εννοιών στο χώρο των ευφυών συστημάτων
– είναι σε θέση να εφαρμόζουν τη γνώση στην πράξη, να αναζητούν, να αναλύουν και να συνθέτουν δεδομένα και πληροφορίες με τη χρήση και των απαραίτητων τεχνολογιών
– να ορίζουν, να αναλύουν και να περιγράφουν την ανάπτυξη ενός ευφυούς συστήματος σε μια ή περισσότερες εφαρμογές που έχουν διδαχθεί
-διακρίνουν τα χαρακτηριστικά του προβλήματος τα οποία θα τους οδηγήσουν στην επιτυχή μοντελοποίηση του
– να παράγουν λύσεις βασισμένες σε τεχνικές ασαφών συστημάτων και νευρωνικών δικτύων
– είναι σε θέση να ακολουθούν τις βασικές αρχές ανάπτυξης των συστημάτων με τις τεχνολογίες που έχουν διδαχθεί για να συνθέτουν και να προτείνουν κατάλληλες εφαρμογές.

Γενικές Ικανότητες

Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
Ατομική Εργασία
Ομαδική Εργασία
Προσαρμογή σε νέες καταστάσεις.

Μέθοδοι Διδασκαλίας

Διαλέξεις πρόσωπο με πρόσωπο.
Προβολή διαφανειών με υπολογιστή και χρήση πίνακα.
Εργαστηριακές Ασκήσεις σε εργαστηριακό χώρο με τον κατάλληλο εξοπλισμό.
Διαδικτυακή καθοδήγηση
Υποστήριξη Μαθησιακής διαδικασίας δια μέσου της ηλεκτρονικής πλατφόρμας μάθησης του μαθήματος, όπου περιλαμβάνονται:
α) Παρουσιάσεις του μαθήματος
β) Διδακτικές σημειώσεις
γ) Ανακοινώσεις σχετικές με το μάθημα
δ) Ηλεκτρονική κατάθεση εργασιών
Επικοινωνία με φοιτητές μέσω e-mail

Αξιολόγηση Φοιτητών

Γλώσσα Αξιολόγησης: Ελληνικά / Αγγλικά
Ο τελικός βαθμός του μαθήματος διαμορφώνεται κατά 70% από τον βαθμό του θεωρητικού μέρους και κατά 30% από τον βαθμό του εργαστηριακού.
1. Ο βαθμός του θεωρητικού μέρους διαμορφώνεται από γραπτή τελική εξέταση και ομαδική εργασία.
Η γραπτή τελική εξέταση του θεωρητικού μέρους δύναται να περιλαμβάνει:
Επίλυση προβλημάτων εφαρμογής των γνώσεων που αποκτήθηκαν, Ερωτήσεις σύντομης απάντησης, ερωτήσεις πολλαπλής επιλογής.
2. Η εξέταση των Εργαστηριακών Ασκήσεων πραγματοποιείται με εργαστηριακή πρόοδος στο μέσο του εξαμήνου και εργαστηριακές εξετάσεις στο τέλος του εξαμήνου.

Συνιστώμενη Βιβλιογραφία

W. ERTEL, ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ, ΓΡΗΓΟΡΙΟΣ ΧΡΥΣΟΣΤΟΜΟΥ ΦΟΥΝΤΑΣ, 2/2019, ISBN: 9789603307969
Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου. Τεχνητή Νοημοσύνη – Γ’ Έκδοση, Εκδόσεις Πανεπιστημίου Μακεδονίας, ISBN: 978-960-8396-64-7, 2006/2011.
Jackson P. Introduction to Expert Systems (3rd edition). Addison Wesley, ISBN 0-201-87686-8