Αλληλεπίδραση Ανθρώπου - Υπολογιστή
Ίων Ανδρουτσόπουλος
Πριν στείλετε μήνυμα στους εκπαιδευτές του μαθήματος, διαβάστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Καλωσήρθατε στις ιστοσελίδες του προπτυχιακού μαθήματος Αλληλεπίδραση Ανθρώπου-Υπολογιστή του Τμήματος Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών. Πρόκειται για μάθημα επιλογής του 8ου (εαρινού) εξαμήνου. Το μάθημα εστιάζει στην ανάλυση, τον σχεδιασμό, την υλοποίηση και την αξιολόγηση διαδραστικών υπολογιστικών συστημάτων. Κύριος στόχος του μαθήματος είναι οι φοιτητές να μάθουν να κατασκευάζουν εύχρηστα διαδραστικά συστήματα. Το μάθημα καλύπτει, επίσης, μεθόδους επεξεργασίας φυσικής γλώσσας, ομιλίας και υπολογιστικής όρασης, συμπεριλαμβανομένων σχετικών μοντέλων βαθιάς μάθησης (deep learning), που χρησιμοποιούνται σε σύγχρονες φυσικές διεπαφές χρήστη.
ΛιγότεραΠριν στείλετε μήνυμα στους εκπαιδευτές του μαθήματος, διαβάστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Καλωσήρθατε στις ιστοσελίδες του προπτυχιακού μαθήματος Αλληλεπίδραση Ανθρώπου-Υπολογιστή του Τμήματος Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών. Πρόκειται για μάθημα επιλογής του 8ου (εαρινού) εξαμήνου. Το μάθημα εστιάζει στην ανάλυση, τον σχεδιασμό, την υλοποίηση και την αξιολόγηση διαδραστικών υπολογιστικών συστημάτων. Κύριος στόχος του μαθήματος είναι οι φοιτητές να μάθουν να κατασκευάζουν εύχρηστα διαδραστικά συστήματα. Το μάθημα καλύπτει, επίσης, μεθόδους επεξεργασίας φυσικής γλώσσας, ομιλίας και υπολογιστικής όρασης, συμπεριλαμβανομένων σχετικών μοντέλων βαθιάς μάθησης (deep learning), που χρησιμοποιούνται σε σύγχρονες φυσικές διεπαφές χρήστη.
Πριν στείλετε μήνυμα στους εκπαιδευτές του μαθήματος, διαβάστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Καλωσήρθατε στις ιστοσελίδες του προπτυχιακού μαθήματος Αλληλεπίδραση Ανθρώπου-Υπολογιστή του Τμήματος Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών. Πρόκειται για μάθημα επιλογής του 8ου (εαρινού) εξαμήνου. Το μάθημα εστιάζει στην ανάλυση, τον σχεδιασμό, την υλοποίηση και την αξιολόγηση διαδραστικών υπολογιστικών συστημάτων. Κύριος στόχος του μαθήματος είναι οι φοιτητές να μάθουν να κατασκευάζουν εύχρηστα διαδραστικά συστήματα. Το μάθημα καλύπτει, επίσης, μεθόδους επεξεργασίας φυσικής γλώσσας, ομιλίας και υπολογιστικής όρασης, συμπεριλαμβανομένων σχετικών μοντέλων βαθιάς μάθησης (deep learning), που χρησιμοποιούνται σε σύγχρονες φυσικές διεπαφές χρήστη.
Πληροφορίες
Περιεχόμενο μαθήματος
Μέρος Α - Ανάπτυξη εύχρηστων διεπαφών χρήστη:
Εισαγωγή στην Αλληλεπίδραση Ανθρώπου-Υπολογιστή. Ευχρηστία διαδραστικών συστημάτων. Γνωστικά μοντέλα, μνήμη, αντίληψη, προσοχή, αυτόματες διεργασίες, σενάρια, μεταφορές, δομικά και λειτουργικά μοντέλα. Είδη αλληλεπίδρασης: γραμμή εντολών, κατάλογοι επιλογής, φόρμες, απευθείας χειρισμός, εικονικοί κόσμοι, φυσική γλώσσα, χειρονομίες, πολυτροπικές διεπαφές, φυσικές διεπαφές, συστήματα υποστήριξης συνεργασίας, κοινωνικά δίκτυα, διεπαφές για ανθρώπους με ειδικές ανάγκες. Ανάπτυξη διαδραστικών συστημάτων: μοντέλο καταρράκτη, ελικοειδές μοντέλο, αρχές ανθρωποκεντρικής ανάπτυξης, αστεροειδές μοντέλο, μοντέλο LUCID, μελέτη χρηστών και περιβάλλοντος, ανάλυση εργασιών. Οδηγίες σχεδιασμού διεπαφών χρήστη: κανόνες σχεδιασμού, παραδείγματα σφαλμάτων, οδηγίες σχεδιασμού ιστοτόπων και διεπαφών φορητών συσκευών. Αξιολόγηση διαδραστικών συστημάτων: διαμορφωτική και συμπερασματική αξιολόγηση, μοντέλα ανάλυσης πληκτρολογήσεων, γνωστικό περιδιάβασμα, επιθεώρηση ευχρηστίας, μετρήσεις επίδοσης, απόδοσης, ικανοποίησης, ομιλούντα υποκείμενα, καταγραφή ενεργειών, συνεντεύξεις, ερωτηματολόγια, μελέτη πεδίου.
Μέρος Β' - Τεχνολογία ευφυών διεπαφών χρήστη:
Εισαγωγή στην τεχνολογία φυσικής γλώσσας. Γλωσσικά μοντέλα n-γραμμάτων και εφαρμογές στη διόρθωση κειμένου και τα έξυπνα πληκτρολόγια. Συντακτική και σημασιολογική ανάλυση φυσικής γλώσσας με γραμματικές. Επεξεργασία φυσικής γλώσσας με γραμμικά μοντέλα μηχανικής μάθησης, με πολυ-επίπεδα Perceptron (Multi-Layer Perceptrons, MLPs), με ανατροφοδοτούμενα νευρωνικά δίκτυα (Recurrent Neural Networks, RNNs) και εφαρμογές στην κατηγοριοποίηση εγγράφων, εξαγωγή πληροφοριών, μηχανική μετάφραση. Συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Networks, CNNs) και εφαρμογές τους στην υπολογιστική όραση και στην επεξεργασία φυσικής γλώσσας. Προεκπαιδευμένοι Μετασχηματιστές (Transformers), μεγάλα γλωσσικά μοντέλα (LLMs) και η χρήση τους στην επεξεργασία φυσικής γλώσσας. Αναγνώριση ομιλίας με βαθιά μάθηση. Συστήματα γραπτών και προφορικών διαλόγων.
Μέθοδοι διδασκαλίας
Το μάθημα περιλαμβάνει δύο δίωρες διαλέξεις την εβδομάδα (μία του Μέρους Α', μία του Μέρους Β'), ένα δίωρο εργαστήριο/φροντιστήριο την εβδομάδα και μία υποχρεωτική ομαδική προγραμματιστική εργασία. Τα εργαστήρια/φροντιστήρια περιλαμβάνουν προγραμματιστικές γνώσεις (π.χ. προγραμματισμός διεπαφών χρήστη για συσκευές Android, υλοποίηση μεθόδων βαθιάς μάθησης για επεξεργασία φυσικής γλώσσας και υπολογιστική όραση σε Tensorflow/Keras ή/και PyTorch), καθώς και λύσιμο ασκήσεων μελέτης.
Προτεινόμενα συγγράμματα
Οι φοιτητές του μαθήματος μπορούν να επιλέξουν ένα μεταξύ των παρακάτω διανεμόμενων βιβλίων:
1. Ν. Αβούρης, Χ. Κατσάνος, Ν. Τσέλιος και Κ. Μουστάκας, «Εισαγωγή στην Αλληλεπίδραση Ανθρώπου-Υπολογιστή», Εκδόσεις Πανεπιστημίου Πατρών, 2η έκδοση, 2018.
2. Δ. Ακουμιανάκης, «Διεπαφή Χρήστη-Υπολογιστή: Μια Σύγχρονη Προσέγγιση», Κλειδάριθμος, 2006.
3. Π. Κουτσαμπάσης, «Αλληλεπίδραση Ανθρώπου-Υπολογιστή», Κλειδάριθμος, 2011.
Οι διαφάνειες του μαθήματος περιέχουν πρόσθετες παραπομπές σε σχετική βιβλιογραφία, μεταξύ άλλων σε τμήματα των παρακάτω βιβλίων, που διανέμονται στους φοιτητές του προαπαιτούμενου μαθήματος Τεχνητή Νοημοσύνη:
1. Russel, S. και Norvig, P., «Τεχνητή Νοημοσύνη – Μια Σύγχρονη Προσέγγιση», 4η Έκδοση, Κλειδάριθμος, 2021.
2. Βλαχάβας, Ι., Κεφαλάς, Π, Βασιλειάδης, Ν., Κόκκορας, Φ., Σακελλαρίου, Η., «Τεχνητή Νοημοσύνη», Εκδόσεις Πανεπιστημίου Μακεδονίας, 4η έκδοση, 2020.
Η εξεταστέα ύλη είναι η ύλη των διαφανειών των φετινών διαλέξεων, συμπεριλαμβανομένων των διαφανειών των προσκεκλημένων ομιλητών, καθώς και των φετινών ασκήσεων μελέτης και εργασιών.
Διδάσκοντες
Διδάσκων: Ίων Ανδρουτσόπουλος (http://www.aueb.gr/users/ion/, επικοινωνία και συχνές ερωτήσεις: http://www.aueb.gr/users/ion/contact_gr.html).
Βοηθός εργαστηρίων/φροντιστηρίων (2022-23): Σοφία Ελευθερίου (seleftheriou ατ aueb.gr).
Πριν στείλετε μήνυμα ηλεκτρονικού ταχυδρομείου στον διδάσκοντα ή στη βοηθό, παρακαλούμε διαβάστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Προαπαιτούμενα
Για να εγγραφούν στο μάθημα, οι φοιτητές του Τμήματος Πληροφορικής πρέπει να έχουν εξεταστεί επιτυχώς σε προηγούμενο εξάμηνο στο μάθημα «Εισαγωγή στον Προγραμματισμό Υπολογιστών» ή στο μάθημα «Προγραμματισμός Υπολογιστών με JAVA» ή στο μάθημα «Τεχνητή Νοημοσύνη». Όμως, συνιστάται στους φοιτητές να έχουν περάσει και τα τρία αυτά μαθήματα, καθώς και τα μαθήματα «Μαθηματικά Ι», «Μαθηματικά ΙΙ» και «Πιθανότητες».
Μέθοδοι αξιολόγησης
Οι φοιτητές του Τμήματος Πληροφορικής βαθμολογούνται μέσω τελικών γραπτών εξετάσεων (60% του τελικού βαθμού) και μίας υποχρεωτικής ομαδικής εργασίας (40% του τελικού βαθμού). Η βαθμολόγηση της εργασίας συμπεριλαμβάνει ατομική προφορική εξέταση. Ειδικά αν ο βαθμός των γραπτών εξετάσεων είναι μικρότερος του 4, ο βαθμός της εργασίας δεν προσμετράται και ο τελικός βαθμός ισούται με το βαθμό των γραπτών εξετάσεων. Για τους φοιτητές άλλων Τμημάτων, η εργασία είναι προαιρετική.
Μαθησιακοί στόχοι
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
- Να περιγράφουν τα κυριότερα είδη διεπαφών χρήστη και μεθόδους σχεδιασμού, υλοποίησης και αξιολόγησης διαδραστικών υπολογιστικών συστημάτων.
- Να σχεδιάζουν, να υλοποιούν και να αξιολογούν διεπαφές χρήστη, αποδίδοντας κεντρική σημασία στις ανάγκες, τις ικανότητες και τις προτιμήσεις των χρηστών.
- Να περιγράφουν και να μπορούν να εφαρμόζουν σε διεπαφές χρήστη μεθόδους τεχνολογίας φυσικής γλώσσας.
- Να περιγράφουν και να μπορούν να εφαρμόζουν σε διεπαφές χρήστη μεθόδους υπολογιστικής όρασης.
Μέρος Α - Ανάπτυξη εύχρηστων διεπαφών χρήστη:
Εισαγωγή στην Αλληλεπίδραση Ανθρώπου-Υπολογιστή. Ευχρηστία διαδραστικών συστημάτων. Γνωστικά μοντέλα, μνήμη, αντίληψη, προσοχή, αυτόματες διεργασίες, σενάρια, μεταφορές, δομικά και λειτουργικά μοντέλα. Είδη αλληλεπίδρασης: γραμμή εντολών, κατάλογοι επιλογής, φόρμες, απευθείας χειρισμός, εικονικοί κόσμοι, φυσική γλώσσα, χειρονομίες, πολυτροπικές διεπαφές, φυσικές διεπαφές, συστήματα υποστήριξης συνεργασίας, κοινωνικά δίκτυα, διεπαφές για ανθρώπους με ειδικές ανάγκες. Ανάπτυξη διαδραστικών συστημάτων: μοντέλο καταρράκτη, ελικοειδές μοντέλο, αρχές ανθρωποκεντρικής ανάπτυξης, αστεροειδές μοντέλο, μοντέλο LUCID, μελέτη χρηστών και περιβάλλοντος, ανάλυση εργασιών. Οδηγίες σχεδιασμού διεπαφών χρήστη: κανόνες σχεδιασμού, παραδείγματα σφαλμάτων, οδηγίες σχεδιασμού ιστοτόπων και διεπαφών φορητών συσκευών. Αξιολόγηση διαδραστικών συστημάτων: διαμορφωτική και συμπερασματική αξιολόγηση, μοντέλα ανάλυσης πληκτρολογήσεων, γνωστικό περιδιάβασμα, επιθεώρηση ευχρηστίας, μετρήσεις επίδοσης, απόδοσης, ικανοποίησης, ομιλούντα υποκείμενα, καταγραφή ενεργειών, συνεντεύξεις, ερωτηματολόγια, μελέτη πεδίου.
Μέρος Β' - Τεχνολογία ευφυών διεπαφών χρήστη:
Εισαγωγή στην τεχνολογία φυσικής γλώσσας. Γλωσσικά μοντέλα n-γραμμάτων και εφαρμογές στη διόρθωση κειμένου και τα έξυπνα πληκτρολόγια. Συντακτική και σημασιολογική ανάλυση φυσικής γλώσσας με γραμματικές. Επεξεργασία φυσικής γλώσσας με γραμμικά μοντέλα μηχανικής μάθησης, με πολυ-επίπεδα Perceptron (Multi-Layer Perceptrons, MLPs), με ανατροφοδοτούμενα νευρωνικά δίκτυα (Recurrent Neural Networks, RNNs) και εφαρμογές στην κατηγοριοποίηση εγγράφων, εξαγωγή πληροφοριών, μηχανική μετάφραση. Συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Networks, CNNs) και εφαρμογές τους στην υπολογιστική όραση και στην επεξεργασία φυσικής γλώσσας. Προεκπαιδευμένοι Μετασχηματιστές (Transformers), μεγάλα γλωσσικά μοντέλα (LLMs) και η χρήση τους στην επεξεργασία φυσικής γλώσσας. Αναγνώριση ομιλίας με βαθιά μάθηση. Συστήματα γραπτών και προφορικών διαλόγων.
Το μάθημα περιλαμβάνει δύο δίωρες διαλέξεις την εβδομάδα (μία του Μέρους Α', μία του Μέρους Β'), ένα δίωρο εργαστήριο/φροντιστήριο την εβδομάδα και μία υποχρεωτική ομαδική προγραμματιστική εργασία. Τα εργαστήρια/φροντιστήρια περιλαμβάνουν προγραμματιστικές γνώσεις (π.χ. προγραμματισμός διεπαφών χρήστη για συσκευές Android, υλοποίηση μεθόδων βαθιάς μάθησης για επεξεργασία φυσικής γλώσσας και υπολογιστική όραση σε Tensorflow/Keras ή/και PyTorch), καθώς και λύσιμο ασκήσεων μελέτης.
Οι φοιτητές του μαθήματος μπορούν να επιλέξουν ένα μεταξύ των παρακάτω διανεμόμενων βιβλίων:
1. Ν. Αβούρης, Χ. Κατσάνος, Ν. Τσέλιος και Κ. Μουστάκας, «Εισαγωγή στην Αλληλεπίδραση Ανθρώπου-Υπολογιστή», Εκδόσεις Πανεπιστημίου Πατρών, 2η έκδοση, 2018.
2. Δ. Ακουμιανάκης, «Διεπαφή Χρήστη-Υπολογιστή: Μια Σύγχρονη Προσέγγιση», Κλειδάριθμος, 2006.
3. Π. Κουτσαμπάσης, «Αλληλεπίδραση Ανθρώπου-Υπολογιστή», Κλειδάριθμος, 2011.
Οι διαφάνειες του μαθήματος περιέχουν πρόσθετες παραπομπές σε σχετική βιβλιογραφία, μεταξύ άλλων σε τμήματα των παρακάτω βιβλίων, που διανέμονται στους φοιτητές του προαπαιτούμενου μαθήματος Τεχνητή Νοημοσύνη:
1. Russel, S. και Norvig, P., «Τεχνητή Νοημοσύνη – Μια Σύγχρονη Προσέγγιση», 4η Έκδοση, Κλειδάριθμος, 2021.
2. Βλαχάβας, Ι., Κεφαλάς, Π, Βασιλειάδης, Ν., Κόκκορας, Φ., Σακελλαρίου, Η., «Τεχνητή Νοημοσύνη», Εκδόσεις Πανεπιστημίου Μακεδονίας, 4η έκδοση, 2020.
Η εξεταστέα ύλη είναι η ύλη των διαφανειών των φετινών διαλέξεων, συμπεριλαμβανομένων των διαφανειών των προσκεκλημένων ομιλητών, καθώς και των φετινών ασκήσεων μελέτης και εργασιών.
Διδάσκων: Ίων Ανδρουτσόπουλος (http://www.aueb.gr/users/ion/, επικοινωνία και συχνές ερωτήσεις: http://www.aueb.gr/users/ion/contact_gr.html).
Βοηθός εργαστηρίων/φροντιστηρίων (2022-23): Σοφία Ελευθερίου (seleftheriou ατ aueb.gr).
Πριν στείλετε μήνυμα ηλεκτρονικού ταχυδρομείου στον διδάσκοντα ή στη βοηθό, παρακαλούμε διαβάστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Για να εγγραφούν στο μάθημα, οι φοιτητές του Τμήματος Πληροφορικής πρέπει να έχουν εξεταστεί επιτυχώς σε προηγούμενο εξάμηνο στο μάθημα «Εισαγωγή στον Προγραμματισμό Υπολογιστών» ή στο μάθημα «Προγραμματισμός Υπολογιστών με JAVA» ή στο μάθημα «Τεχνητή Νοημοσύνη». Όμως, συνιστάται στους φοιτητές να έχουν περάσει και τα τρία αυτά μαθήματα, καθώς και τα μαθήματα «Μαθηματικά Ι», «Μαθηματικά ΙΙ» και «Πιθανότητες».
Οι φοιτητές του Τμήματος Πληροφορικής βαθμολογούνται μέσω τελικών γραπτών εξετάσεων (60% του τελικού βαθμού) και μίας υποχρεωτικής ομαδικής εργασίας (40% του τελικού βαθμού). Η βαθμολόγηση της εργασίας συμπεριλαμβάνει ατομική προφορική εξέταση. Ειδικά αν ο βαθμός των γραπτών εξετάσεων είναι μικρότερος του 4, ο βαθμός της εργασίας δεν προσμετράται και ο τελικός βαθμός ισούται με το βαθμό των γραπτών εξετάσεων. Για τους φοιτητές άλλων Τμημάτων, η εργασία είναι προαιρετική.
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
- Να περιγράφουν τα κυριότερα είδη διεπαφών χρήστη και μεθόδους σχεδιασμού, υλοποίησης και αξιολόγησης διαδραστικών υπολογιστικών συστημάτων.
- Να σχεδιάζουν, να υλοποιούν και να αξιολογούν διεπαφές χρήστη, αποδίδοντας κεντρική σημασία στις ανάγκες, τις ικανότητες και τις προτιμήσεις των χρηστών.
- Να περιγράφουν και να μπορούν να εφαρμόζουν σε διεπαφές χρήστη μεθόδους τεχνολογίας φυσικής γλώσσας.
- Να περιγράφουν και να μπορούν να εφαρμόζουν σε διεπαφές χρήστη μεθόδους υπολογιστικής όρασης.
