ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ

Κωδικός Μαθήματος:     709
Εξάμηνο διδασκαλίας:     7ο Εξάμηνο

Σκοπός του μαθήματος
Η εισαγωγή και εξοικείωση των φοιτητών με τεχνικές Υπολογιστικής Νοημοσύνης, όπως είναι τα Νευρωνικά Δίκτυα, οι Εξελεκτικοί Αλγόριθμοι και η Aσαφής λογικής αλλά και συνδυασμών τους για την επίλυση προβλημάτων σε ένα ευρύτατο φάσμα εφαρμογών. Η υπολογιστική νοημοσύνη είναι στην ουσία μία συλλογή αλγορίθμων και μεθόδων για την αντιμετώπιση προβλημάτων που με τις προϋπάρχουσες συμβατικές τεχνικές είναι πολύ δύσκολο αν όχι αδύνατο να αντιμετωπιστούν.

Στόχος του μαθήματος
Να παρουσιασθεί ένα σύνολο νέων, μη-συμβολικών υπολογιστικών τεχνικών, κυρίως από πρακτική σκοπιά και για πρακτικά/πραγματικά προβλήματα. Υλοποίηση και προγραμματισμός νευρωνικών αλγορίθμων και Εξελεκτικών Αλγορίθμων. Να αποκτήσουν οι φοιτητές γνώσεις σε υπολογιστικά εργαλεία έτσι ώστε να μπορούν να επιλέγουν το καταλληλότερο, κάθε φορά, εργαλείο για την επίλυση προβλημάτων που θα αντιμετωπίσουν στην επαγγελματική τους σταδιοδρομία.

Περιγραφή του μαθήματος
Εισαγωγή στην Υπολογιστική Νοημοσύνη, Τεχνητά νευρωνικά δίκτυα (ΤΝΔ), Εξελεγκτικοί αλγόριθμοι και ασαφής λογική. Μη-συμβολική τεχνητή νοημοσύνη. Βασικά μοντέλα αναπαράστασης τεχνητού νευρώνα, είδη συναρτήσεων ενεργοποίησης. Βασικές αρχιτεκτονικές δομές των Νευρωνικών Δικτύων, Στοιχεία της αναπαράστασης της γνώσης και της τεχνητής νοημοσύνης, σε σχέση με τα Νευρωνικά Δίκτυα. Διαδικασίες και πρότυπα εκμάθησης. Εφαρμογές ΤΝΔ. Συσχετιστικές μνήμες. Μάθηση με επίβλεψη. Perceptrons ενός στρώματος. Ο κανόνας Δέλτα. Δίκτυα εμπρόσθιας διάδοσης. Δίκτυα πολλών επιπέδων και ανάστροφη διάδοση σφάλματος (back-propagation). Γρήγορες μέθοδοι εκπαίδευσης Δίκτυα ακτινικών συναρτήσεων βάσης για παρεμβολή δεδομένων και ταξινόμηση προτύπων. Αυτο-οργανωνόμενα δίκτυα, Kohonen maps και ανταγωνιστική μάθηση. Δίκτυα με ανατροφοδότηση. Αναδρομικά δίκτυα Hopfield. Εφαρμογές των Νευρωνικών Δικτύων. Προσομοιωμένη ανόπτηση (simulated annealing) και μηχανή Boltzmann. Εξελικτικοί αλγόριθμοι. Κατηγορίες εξελικτικών αλγορίθμων (γενετικοί αλγόριθμοί, εξελικτικές στρατηγικές, εξελικτικός προγραμματισμός, γενετικός προγραμματισμός) Αναπαράσταση υποψηφίων λύσεων. Συνάρτηση καταλληλότητας. Τελεστές μεταβολής του πληθυσμού (Διασταύρωση και μετάλλαξη). Βελτιστοποίηση με σμήνος σωματιδίων. Ασαφής λογική. Έννοιες ασαφούς λογικής. Ασαφή σύνολα. Λεκτικές μεταβλητές. Συναρτήσεις υποστήριξης. Ασαφείς εκφράσεις. Ασαφείς κανόνες. Ασαφής συλλογισμός. Μέθοδοι αποασαφοποίησης. Το μοντέλο του Mamdani. Το μοντέλο των Takagi-Sugeno. Προσαρμοστικά ασαφή μοντέλα (ANFIS). Παραδείγματα συνδυαστικής χρήσης εργαλείων υπολογιστικής νοημοσύνης. Εφαρμογή των μεθόδων υπολογιστικής νοημοσύνης σε πραγματικά προβλήματα.
Εργαστήριο Μαθήματος: Θα χρησιμοποιηθεί κυρίως το Matlab για την ανάπτυξη εφαρμογών υπολογιστικής νοημοσύνης με τα αντίστοιχα toolboxes (Neural Network, Fyzzy logic). Χρησιμοποιούνται επίσης λογισμικά πακέτα εφαρμογής Αλγορίθμων Υπολογιστικής Νοημοσύνης (WEKA and GhostMiner), με παραδείγματα εφαρμογών από περιοχής της ιατρικής πληροφορικής.

Ενδεικτική Βιβλιογραφία
  1. Υπολογιστική Νοημοσύνη, Σ. Τζαφέστας, Τόμος Α: Μεθοδολογίες, 2002
  2. Pattern Classification (2nd Edition), R.O. Duda, P.E. Hart, D.G. Stork, J Wiley 2000
  3. The Elements of Statistical Learning, T. Hastie, R. Tibshirani, J. Friedman, Springer 2001
  4. Principles of Data Mining, D. Hand, H. Mannila, P. Smyth, MIT Press 2001
  5. Learning and soft computing, V. Kecman, MIT Press 2001
  6. Soft Computing and Intelligent Systems Design – Theory, Tools and Applications, F.O. Karray, C. De Silva, Pearson Education (Addison-Wesley), 2004.
  7. Neuro-Fuzzy and Soft Computing – A Computational Approach to Learning and Machine Intelligence, J.-S. Jang, C.-T. Sun, E. Mizutani, Prentice-Hall, 1997.
  8. Neural Networks – A Comprehensive Foundation, S. Haykin, Prentice-Hall, 1999.
  9. Artificial Neural Networks, R.J. Schalkoff, McGraw-Hill, 1997.
  10. Artificial Intelligence – A Guide to Intelligent Systems, M. Negnevitsky, Pearson Education (Addison-Wesley), 2002.
  11. Machine Learning, T. Mitchell, McGraw-Hill, 1997.
  12. Neural Networks for Pattern Recognition, M. Bishop, Clarendon Press, 1997.
  13. Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems, C.-T. Lin and C.S.G. Lee, Prentice Hall, 1996.
  14. How to Solve It: Modern Heuristics  Springer, Zbigniew Michalewicz, David B. Fogel Verlag Berlin and Heidelberg GmbH & Co. K 2004
  15. Evolutionary Computation: Toward a New Philosophy of Machine Intelligence,  David B. Fogel John Wiley & Sons Inc, 2006
  16. Swarm Intelligence, Russell Eberhart, Morgan Kaufmann Publishers Inc,US, 2001
  17. Computational Intelligence PC Tools AP Professional, Russell Eberhart, 1996
  18. Practical Genetic Algorithms, R. Haupt, S.E. Haupt, John Wiley & Sons Inc, 2004