AT500 - Εφαρμοσμένη Τεχνητή Νοημοσύνη & Βαθιά Μάθηση
Μεταπτυχιακό στην Επιστήμη των Υπολογιστών και στις Επιχειρηματικές Τεχνολογίες
Κύριο μάθημα
AT500 - Εφαρμοσμένη Τεχνητή Νοημοσύνη & Βαθιά Μάθηση
Κωδικός Μονάδας Μαθήματος: AT500
Τύπος μονάδας: Πυρήνας
Επίπεδο Μονάδας Μαθήματος: Δεύτερος κύκλος
Έτος σπουδών: Πρώτο / δεύτερο έτος
Εξάμηνο: Κατά παραγγελία
Αριθμός μονάδων ECTS: 6
Ώρες επαφής με το μάθημα: 28
Τρόπος παράδοσης:
Πρόσωπο με πρόσωπο
Προαπαιτούμενα
Κανένα
Στόχοι του μαθήματος
Στόχος αυτού του μαθήματος είναι να εισαγάγει τους φοιτητές στην τεχνητή νοημοσύνη με ευφυείς πράκτορες, αναπαράσταση γνώσης, συλλογιστική, μηχανική μάθηση και βαθιά μάθηση. Στη συνέχεια θα παρουσιαστούν μέθοδοι για την ανάλυση γλώσσας και την όραση υπολογιστών.
Η πρώτος στόχος θα είναι να μάθει το βασικές ιδέες στην Τεχνητή Νοημοσύνη πίσω από το σχεδιασμό ευφυών πρακτόρων και την αναπαράσταση γνώσης με λογική/προβιαστική συλλογιστική για δεδομένα/προβλήματα του πραγματικού κόσμου. Στα τελευταία περιλαμβάνονται η αναζήτηση, τα παιχνίδια, η μηχανική μάθηση και η ικανοποίηση περιορισμών.
Η επόμενος στόχος θα είναι η επανεξέταση των βασικών ιδεών του σχεδιασμού και της ανάλυσης των αποτελεσματικοί αλγόριθμοι, συμπεριλαμβανομένης της αναζήτησης, των αλγορίθμων γραφημάτων και του δυναμικού προγραμματισμού. Στη συνέχεια θα δοθεί έμφαση σε μηχανική μάθηση με επίβλεψη τεχνικές παλινδρόμησης και ταξινόμησης. Η τελευταία χρησιμοποιεί την βιβλιοθήκη scikit-learn.
Τότε, είναι να μάθουμε για Βαθιά μάθηση (DL) για νευρωνικά δίκτυα. Ειδικότερα, καλύπτει σύνολα δεδομένων, αρχιτεκτονική, βελτιστοποίηση, εκπαίδευση και επικύρωση επιδόσεων. Θα χρησιμοποιηθεί η υλοποίησή τους με το TensorFlow και Keras βιβλιοθήκες βαθιάς μάθησης.
Τελικά, το μάθημα θα εισάγει συστήματα για την ανάλυση, κατανόηση και παραγωγή γλώσσα και ακολουθίες. Ειδικότερα, η χρήση μεθόδων μηχανικής και βαθιάς μάθησης για τη μοντελοποίηση της γλώσσας. Θα εξεταστούν εφαρμογές όπως η εξαγωγή πληροφοριών, η μηχανική μετάφραση και η παραγωγή κειμένου.
Η τελευταίο θέμα θα αφορά πτυχές της όρασης υπολογιστών. Θα παρουσιάσει ιδέες σχετικά με την επεξεργασία εικόνας, το φιλτράρισμα, την κατάτμηση, την αναγνώριση αντικειμένων και την ανίχνευση με βαθιά νευρωνικά δίκτυα.
Μαθησιακά αποτελέσματα
- Γνωρίζετε όλους τους βασικούς αλγορίθμους μηχανικής μάθησης: από τα δέντρα αποφάσεων έως τα νευρωνικά δίκτυα.
- Να γνωρίζουν πώς να χρησιμοποιούν τη στατιστική μοντελοποίηση για την επίλυση προβλημάτων του πραγματικού κόσμου.
- Γνωρίζετε πώς να χρησιμοποιείτε αλγόριθμους μηχανικής μάθησης στη γλώσσα προγραμματισμού Python χρησιμοποιώντας βιβλιοθήκες όπως η scikit-learn και η pandas.
- Γνωρίστε τα βασικά στοιχεία της βαθιάς μάθησης.
- Γνωρίζετε πώς να επεξεργάζεστε και να επεξεργάζεστε δεδομένα στη γλώσσα προγραμματισμού Python.
Περιεχόμενο μαθήματος
Χαρακτηριστικά μαθήματος
Προγραμματισμένες μαθησιακές δραστηριότητες και μέθοδοι διδασκαλίας
Διαλέξεις, συζητήσεις και αντιπαραθέσεις εντός της τάξης, ασκήσεις εντός της τάξης, σύνολα προβλημάτων, ομαδική εργασία, μελέτες περιπτώσεων σε βίντεο, ομαδικές παρουσιάσεις, διαδραστική ηλεκτρονική μάθηση μέσω του Moodle (κουίζ, εργασίες, φόρουμ).
Μέθοδοι και κριτήρια αξιολόγησης
Συμμετοχή 10%
Ανάθεση ομάδας 40%
50% εξέταση
Γλώσσα διδασκαλίας
Αγγλικά
Πρακτική άσκηση(ες)
Δεν ισχύει
Αναγνώσεις
Συνιστώμενη ή υποχρεωτική ανάγνωση
Συγγράμματα:
1. Ian H. Witten, Eibe Frank, Mark A. Hall, Christopher J: Πρακτικά εργαλεία και τεχνικές μηχανικής μάθησης (4η έκδοση), 2016
Προαιρετικό βιβλίο:
2. Ian Goodfellow, Yoshua Bengio, Aaron Courville, Francis Bach, Deep Learning (Adaptive Computation and Machine Learning Series), MIT Press, 2017
3. Trevor Hastie & Robert Tibshirani,The elements of Statistical Learning, Springer, 2009
4. Peter Norvig, Stuart J: (4η έκδοση), 2020
English (UK) 
Ελληνικά 
