ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ
Εβδομαδιαίες ώρες διδασκαλίας: 2 θεωρία + 1 ασκήσεις πράξεις +1 εργαστηριακές ασκήσεις
Tυπικό εξάμηνο διδασκαλίας: 5ο
Διδασκαλία: Η διδασκαλία του μαθήματος έχει τη μορφή 15 διαλέξεων και ισάριθμων εργαστηριακών ασκήσεων, στο πλαίσιο των οποίων υπάρχει η δυνατότητα ανάληψης εργασιών.
Ενδεικτικά προαπαιτούμενα: ─
Σκοπός και στόχοι του μαθήματος:
Η Υπολογιστική Νοημοσύνη είναι κλάδος της Τεχνητής Νοημοσύνης που στοχεύει στην ανάπτυξη τεχνικών και αλγορίθμων που μιμούνται την φυσική νοημοσύνη κυρίως σε προβλήματα που δεν είναι δυνατή επίτευξη ρητής διατύπωσης λύσης του προβλήματος (εμπειρία). Στο μάθημα παρουσιάζονται οι θεμελιώδεις έννοιες της Υπολογιστικής Νοημοσύνης με απώτερο σκοπό την κατανόηση των τεχνολογικών εφαρμογών και επιτευγμάτων που βασίζονται στο συγκεκριμένο επιστημονικό κάδο. Η Υπολογιστική Νοημοσύνη κυριαρχεί στην μετάβαση από τις έξυπνες μηχανές στις νοήμονες. Οι σπουδαστές διδάσκονται τις βασικές έννοιες, τα μαθηματικά μοντέλα και τις μεθόδους του κλάδου. Γνωρίζουν τις προκλήσεις του χώρου και αποκτούν το βασικό υπόβαθρο για περαιτέρω επιστημονικό και ερευνητικό έργο. Η εκπαιδευτική διαδικασία ολοκληρώνεται με την εκμάθηση και χρήση λογισμικού εργαστηριακά.
Περίγραμμα μαθήματος:
- ΕΙΣΑΓΩΓΗ
Απαραίτητες Μαθηματικές έννοιες και εργαλεία.
Μετρικές και αποστάσεις.
- ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΕΠΟΠΤΗ
Ο αλγόριθμός των k κοντινότερων γειτόνων (knn)
Ταξινόμηση με γραμμικές διακριτικές συναρτήσεις
Ο Perceptron
Συναρτήσεις ενεργοποίησης
O πολυεπίπεδος Perceptron (Multi-Layer Perceptron)
Μη γραμμικότητα με σιγμοειδείς συναρτήσεις.
Συνάρτηση κόστους μέσου τετραγωνικού σφάλματος.
Βελτιστοποίηση με κάθοδο κατά την κλίση (Gradient Descent).
Διόρθωση με την μέθοδο της οπισθοδιάδοσης σφάλματος (Back error propagation)
Συνελικτικά Νευρωνικά Δίκτυα (CNN), Deep Learning.
Mη γραμμικότητα με τις συναρτήσεις ReLU και Softmax.
Η Συνάρτηση κόστους cross-entropy.
Βελτιστοποιητές (optimizers) (SGD, Batch GD, Momentum GD, ADAM κλπ)
Σημασιολογική κατάτμηση εικόνων με CNN
Αναδρομικά Νευρωνικά Δίκτυα RNN και LSTM
Δένδρα απόφασης
- ΕΚΠΑΙΔΕΥΣΗ ΧΩΡΙΣ ΕΠΟΠΤΗ
Απεικόνιση αλυσίδας.
Ο Αλγόριθμος ISODATA ή Κ-Μέσων (k-means ή c-means)
Αυτο-οργανούμενοι πίνακες απεικόνισης χαρακτηριστικών το Νευρωνικό δίκτυο Kohonen.
- ΑΝΑΛΥΣΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ
Ανάλυση χαρακτηριστικών στην εκπαίδευση με επόπτη
Ανάλυση χαρακτηριστικών στην εκπαίδευση χωρίς επόπτη, Ανάλυση Κύριων Συνιστωσών (Principal Component Analysis)
Βιβλιογραφία:
Συγγράμματα μέσω του συστήματος ΕΥΔΟΞΟΣ
- Βιβλίο [13256974]: Αναγνώριση Προτύπων, Theodoridis S.
- Βιβλίο [9743]: Νευρωνικά Δίκτυα & Μηχανική Μάθηση, Haykin Simon
- Βιβλίο [13908]: ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ, ΚΩΝΣΤΑΝΤΙΝΟΣ ΔΙΑΜΑΝΤΑΡΑΣ
Συμπληρωματικά: “Εισαγωγή στην Μηχανική Μάθηση”, Ethem Alpaydin, Broken Hill, 2022, ISBN: 978-9925-588-50-3
Σημειώσεις του Διδάσκοντα.