• Κωδικός: 5611
• Εξάμηνο: Εξαμ. ΣΤ
• Τύπος: Μάθημα Επιστημονικής Περιοχής (ΜΕΠ)
• Κατηγορία: Μάθημα Ειδικότητας (ΜΕ)
• Είδος: Επιλογής Υποχρεωτικό (ΕΥ), Μάθημα Κατεύθυνσης (ΜΚ)
• Ειδικότητα: Μηχανικών Η/Υ

• Διδ. Μονάδες: 3
• Ώρες/εβδ. (Θ/ΑΠ/Ε): 3 / 0 / 0
• Φόρτος εργασίας: 90
• Διδάσκοντες: Γουλιάνας Κωνσταντίνος
• Δικτυακός τόπος: http://moodle.teithe.gr

1. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

• • Το μάθημα συνιστά μία εισαγωγή στον ορισμό των Προτύπων και τα χαρακτηριστικά τους, τους στόχους και τη σημασία της αναγνώρισης προτύπων, τη Διανυσματική περιγραφή των Προτύπων, την Εκπαίδευση με ή χωρίς επόπτη, την Ταξινόμηση και τους Ταξινομητές με Αρχιτεκτονικές Νεωρωνικών Δικτύων.
  • Μετά την παρουσίαση του Βιολογικού Προτύπου, εισάγει τους φοιτητές στην έννοια του Τεχνητού Νευρώνα ( αρχιτεκτονική, στρώματα, νευρώνες, συνάψεις, συναρτήσεις ενεργοποίησης, εκπαίδευση, ανάκληση ).
  • Εξηγεί τις έννοιες της Μάθησης με επίβλεψη και παρουσιάζει τους Γραμμικούς ταξινομητές, όπως τα δίκτυα perceptron και Adaline, τη διαδικασία της εκπαίδευσης και ανάκλησης και τον κανόνα του δέλτα καθώς και τις εφαρμογές των παραπάνω δικτύων.
  • Παρουσιάζει τους μη Γραμμικούς ταξινομητές, όπως το δίκτυο MLP, τη διαδικασία της εκπαίδευσης και ανάκλησης και τον Αλγόριθμο back propagation καθώς και τις εφαρμογές του.
  • Εξηγεί τις έννοιες της Μάθησης χωρίς επίβλεψη και παρουσιάζει τα δίκτυα ανταγωνιστικής μάθησης, όπως οι Χάρτες Αυτο-οργάνωσης ( Self Organizing Maps ) καθώς και τις εφαρμογές τους.
  • Εξηγεί τις έννοιες των Aναδρομικών τεχνητών νευρωνικών δικτύων και παρουσιάζει τα Δίκτυα Hopfield, Hamming, Maxnet, Boltzmann machines καθώς και τις εφαρμογές τους.

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

1)Γνωρίζει τους Βασικούς Γραμμικούς και μη Γραμμικούς Ταξινομητές για την αναγνώριση προτύπων, οι οποίοι βασίζονται σε αρχιτεκτονικές Τεχνητών Νευρωνικών Δικτύων.
2)Περιγράφει σχηματικά και σε μορφή αλγορίθμου τη διαδικασία της εκπαίδευσης και της ανάκλησης των παραπάνω νευρωνικών δικτύων με τη χρήση ενός συνόλου προτύπων εκπαίδευσης και ανάκλησης.
3)Εκτιμά τις δυνατότητες του κάθε δικτύου για επιτυχή αναγνώριση προτύπων, ανάλογα με τη γραμμική τους διαχωρισιμότητα.
4)Διακρίνει τις διαφορές μεταξύ των διάφορων αρχιτεκτονικών νευρωνικών δικτύων, ανάλογα με τον τρόπο εκπαίδευσης ( με επίβλεψη ή χωρίς επίβλεψη ), τον τρόπο τροφοδότησης (πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος -πολυστρωματικό perceptron, αλγόριθμος backpropagation, αναδρομικά δίκτυα -δίκτυα Hopfield, Boltzmannmachines), και τα δίκτυα ανταγωνιστικής μάθησης (χάρτες Kohonen).
5)Διακρίνει τις διαφορές, τα πλεονεκτήματα και τα μειονεκτήματα μεταξύ των αρχιτεκτονικών νευρωνικών δικτύων που έχουν σχέση με τη μάθηση με επίβλεψη ( Perceptron, Adaline, MLP ).
6)Εφαρμόζει τους αλγορίθμους εκπαίδευσης για την υλοποίηση εφαρμογών προσομοίωσης δύο διαφορετικών αρχιτεκτονικών νευρωνικών δικτύων και τον έλεγχο της απόδοσης των αλγορίθμων με δύο διαφορετικά σύνολα προτύπων εκπαίδευσης και ανάκλησης.

2. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

• • Πρότυπα, Αναγνώριση Προτύπων, Ταξινομητές.
  • Μοντέλο τεχνητού νευρώνα.
  • Μάθηση με επίβλεψη.
  • Γραμμικοί Ταξινομητές, Δίκτυο Perceptron, κανόνας Δέλτα, Δίκτυο Adaline.
  • Μη γραμμικοί ταξινομητές, Νευρωνικά δίκτυα MLP – Αλγόριθμος back propagation.
  • Μάθηση χωρίς επίβλεψη, Χάρτες Αυτο-οργάνωσης ( SOM ).
  • Aναδρομικά τεχνητά νευρωνικά δίκτυα.
  • Δίκτυα Hopfield.
  • Δίκτυo Hamming.
  • Δίκτυo Maxnet.
  • Boltzmann machines.

3. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ

Στην τάξη

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Ι. Γραπτή τελική εξέταση (60%) στο θεωρητικό μέρος του μαθήματος που περιλαμβάνει:

– Ερωτήσεις κατανόησης της δομής ενός Νευρωνικού Δικτύου και των αλγορίθμων εκπαίδευσης και ανάκλησης.
– Ερωτήσεις σύγκρισης της απόδοσης των διαφόρων αρχιτεκτονικών Νευρωνικών Δικτύων.
– Ασκήσεις που αφορούν στη σχεδίαση απλών δικτύων ταξινόμησης προτύπων και αναγνώρισής τους.

II. Ένα Διαγώνισμα Προόδου (20%)
III. Δύο εργασίες – projectsυλοποίησης κάποιων αρχιτεκτονικών Δικτύων σε Matlabή Java (20%)
Το ως άνω σχήμα αξιολόγησης του μαθήματος γνωστοποιείται στους ενδιαφερόμενους φοιτητές (α) μέσω της ιστοσελίδας του τμήματος, (β) μέσω της ιστοσελίδας https://aetos.it.teithe.gr/~gouliana/, και (γ) με ανακοινώσεις στη διάρκεια των πρώτων διαλέξεων κατά την έναρξη του κάθε ενός ακαδημαϊκού εξαμήνου.

4. ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

α) Ελληνική

• • Κ. Διαμαντάρας, «Τεχνητά Νευρωνικά Δίκτυα», Κλειδάριθμος, 2007.

β) Διεθνής

• • Simon O. Haykin, “Neural Networks and Learning Machines”, (3rd Edition), 2009, Prentice Hall.
  • John Hertz, Anders Krogh, Richard G. Palmer, “Introduction to the Theory of Neural Computation”, Addison-Wesley, 1991.