-

Ευφυή Συστήματα

  • Κωδικός: 5605
  • Εξάμηνο: Εξαμ. ΣΤ
  • Τύπος: Μάθημα Επιστημονικής Περιοχής (ΜΕΠ)
  • Κατηγορία: Μάθημα Ειδικότητας (ΜΕ)
  • Είδος: Επιλογής Υποχρεωτικό (ΕΥ), Μάθημα Κατεύθυνσης (ΜΚ)
  • Ειδικότητα: Μηχανικών Η/Υ

(1) ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Θεμελίωση των εννοιών των ευφυών συστημάτων κυρίως στις περιοχές των ασαφών συστημάτων και των εξελικτικών αλγορίθμων. Κατανόηση των αρχών της ασαφούς λογικής, ασαφών συνόλων και ασαφών συστημάτων. Θεμελίωση των εξελικτικών αλγοριθμων στην βελτιστοποίηση.
Έκθεση στην πληθώρα εφαρμογών της υπολογιστικής νοημοσύνης στην ανάλυση και ανάκτηση δεδομένων, στον ευφυή έλεγχο, σε προβλήματα βελτιστοποίησης (ωρολόγιο πρόγραμμα, πρόβλημα περιπλανώμενου πωλητή κλπ), στην δημιουργία νευροασαφών συστημάτων, σε δημιουργία τεχνητής ζωής.
Ικανότητα υλοποίησης και εφαρμογής των τεχνικών ευφυών συστημάτων που διδάχτηκαν (ασαφούς λογικής, εξελικτικών αλγορίθμων, νοημοσύνης πληθυσμών) στην επίλυση πραγματικών προβλημάτων.
Με την ολοκλήρωση του μαθήματος, οι διδασκόμενοι θα πρέπει να:

    • διαθέτουν γνώση των βασικών εννοιών και τεχνολογιών στο χώρο των ευφυών συστημάτων
    • διακρίνουν τα χαρακτηριστικά του προβλήματος τα οποία θα τους οδηγήσουν στην δημιουργία του καταλληλότερου αλγόριθμου
    • αναπτύξουν, μετατρέψουν, ελέγξουν, διορθώσουν και εκτελέσουν ανάλογες εφαρμογές.
    • παράγουν καινοτόμες λύσεις βασισμένες σε τεχνικές ασαφών συστημάτων και εξεκικτικών αλγορίθμων σε προβλήματα που θα προκύψουν στην εργασίας τους
    • συνθέτουν, να προσαρμόζουν και να προτείνουν δικούς τους αλγορίθμους επίλυσης προβλημάτων

 

(2) ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

  • Βασικές έννοιες των ευφυών συστημάτων. Εκμάθηση των βασικών συστατικών των ευφυών ρομπότ. Τεχνικές μάθησης, συλλογιστικής και σχεδιασμού ενεργειών για αυτόνομα συστήματα. Αρχιτεκτονική ευφυών ευστημάτων. Συστήματα εμπειρογνωμόνων.
  • Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms): Εισαγωγή στους ΕΑ, Είδη και μοντέλα ΕΑ (γενετικοί αλγόριθμοι, εξελικτική στρατηγική, εξελικτικός προγραμματισμός, γενετικός προγραμματισμός, Classifier Systems). Στοιχεία ΕΑ. Μηχανισμοί, τελεστές, διευθέτηση. Χρήση στην αναζήτηση, βελτιστοποίηση και επίλυση προβλημάτων. Μοντελοποίηση φυσικών συστημάτων. Εφαρμογές.
  • Ασαφή Συστήματα (Fuzzy Systems): Τι είναι και που χρησιμοποιούνται. Ασαφή σύνολα και λειτουργίες (συμπλήρωμα, ένωση, τομή, S-norms, Τ-norms κλπ). Ασαφείς κανόνες, ασαφής λογική, approximate reasoning. Ιδιότητες ασαφών συστημάτων (ασαφής βάση κανόνων και ασαφής επαγωγική μηχανή, fuzzifiers και defuzzifiers, μη γραμμικές αντιστοιχίες, approximation). Σχεδίασηασαφώνσυστημάτωναπόδεδομέναεισόδου-εξόδου (table look-up scheme, gradient descent training, recursive least squares, clustering). Αρχές ασαφούς ελέγχου. Αλγόριθμοι και προγράμματα για υλοποίηση εφαρμογών.

 

 

(3) ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ

Πρόσωπο με πρόσωπο

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ

Χρήση Τ.Π.Ε. στη Διδασκαλία και στην Εργαστηριακή Εκπαίδευση (Διαφάνειες, Matlab, FuzzyToolbox, XFuzzy, JGAP: Java Genetic Algorithms Packageκαι άλλες βιβλιοθήκες εξελικτικών αλγορίθμων)
Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Δραστηριότητα Φόρτος Εργασίας Εξαμήνου
Διαλέξεις 13 x 3= 39
Ασκήσεις πράξεις 13 x 2 = 26
Επικοινωνία / συνεργασία 7
Εργασίες / Αυτοτελής μελέτη 18 x 6 = 108
Σύνολο Μαθήματος (30 ώρες φόρτου εργασίας ανά πιστωτική μονάδα) 180
ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Η αξιολόγηση μπορεί να γίνει με διάφορους τρόπους και οι διδασκόμενοι μπορούν να επιλέξουν αυτόν που επιθυμούν.

Ι. Γραπτή τελική εξέταση (100%) που περιλαμβάνει:
– Ερωτήσεις ανάπτυξης βασικών εννοιών ασαφών συστημάτων και εξελικτικών αλγορίθμων
– Διαγραμματική επίλυση διαδικασίας ασαφούς συμπερασμού και ασαφούς συνεπαγωγής.
– Ασκήσεις επί της σχεδίασης βασικών στοιχείων ενός εξελικτικού αλγοριθμου (γενετικών τελεστών/συναρήσεων αξιολόγησης)

ΙΙ. Δύο Εργασίες (100%)
-Μία εργασία στο χώρο των ασαφών συστημάτων και μία στους εξελικτικούς αλγόριθμους
– Βι λιογραφική εργασία σε άλλη γνωστικό αντικείμενο του χώρου των ασαφών συστημάτων (πχ. Ambient intelligence, DNA computingκλπ)

ΙIΙ. ΣυνδυασμόςτωνΙ&ΙΙ.
Οι εργασίες συνυπολογίζονται μόνο αν ο βαθμός της τελικής εξέτασης είναι >=5.

 

(4) ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ

  • Ιωάννης Μπούταλης, Γεώργιος Συρακούλης, “Υπολογιστική Νοημοσύνη και Εφαρμογές”, 2010
  • Σπύρος Τζαφέστας, «Υπολογιστική Νοημοσύνη – Τόμος Α – Μεθοδολογίες». 2008 Αθήνα
  • Stuart Russell, Peter Norvig, Τεχνητή Νοημοσύνη: Μια σύγχρονη προσέγγιση, Κλειδάριθμος 2005
  • Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου, Τεχνητή Νοημοσύνη – Γ’ Έκδοση, Εκδόσεις Πανεπιστημίου Μακεδονίας, 2011

Πρόσφατες Ανακοινώσεις

14 Ιούν 2019
Θέση Εργασίας: Μηχανικός Λογισμικού
29 Μάι 2019
Εθελοντική δράση καθαριότητας από το IEEE Student Branch ATEITHE
27 Μάι 2019
Τετάρτη 29/5/19, και ώρα 13.30 – i-Mentor, Επιτυχημένο mentoring; Τι θα κερδίσω;
22 Μάι 2019
Φόρμα συμμετοχής στο δίκτυο i-Mentor
14 Μάι 2019
Προσκεκλημένη Ομιλία Prof. Athina Petropulu, Rutgers University, USA
13 Μάι 2019
H2020 Marie Curie ITN project TeamUp5G – OPEN 2 ESR positions in Thessaloniki!
12 Μάι 2019
Μετακίνηση με Erasmus+ (πρακτική άσκηση/after placement/πτυχιακή)
9 Μάι 2019
πρόγραμμα εξεταστικής Ιουνίου

Πρόσφατες Εκδηλώσεις

10 Ιούν 2019
Ημερίδα «Εθνική Στρατηγική Κυβερνοασφάλειας» στο Υπουργείο Ψηφιακής Πολιτικής
14 Απρ 2019
6ο Technology Forum – 15 Απριλίου 2019 (τελικό πρόγραμμα)
19 Μάρ 2019
6ο Technology Forum – 15 Απριλίου 2019 (εισιτήρια με μειωμένο κόστος)
19 Μάρ 2019
OWASP Student Chapter Συνάντηση «Introduction to Digital Forensics»
17 Δεκ 2018
Ομιλία του καθηγητή Man Wai Mak (Hong Kοng Polytechnic University)
3 Δεκ 2018
Εκδήλωση «Robotic Operating System to Reality»
27 Νοέ 2018
IEEE Career Day 2018
16 Νοέ 2018
Livestreaming των εργασιών του SingularityU Greece Summit (19-20 Νοεμβρίου 2018)

Δείτε επίσης