Τεχνητή Νοημοσύνη (3531)
Ίων Ανδρουτσόπουλος
Πριν στείλετε μήνυμα στους εκπαιδευτές του μαθήματος, διαβάστε και ακολουθήστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Καλωσήρθατε στις ιστοσελίδες του προπτυχιακού μαθήματος Τεχνητή Νοημοσύνη του Τμήματος Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών. Πρόκειται για μάθημα επιλογής πυρήνα, που διδάσκεται στο 5ο (χειμερινό) εξάμηνο. Αποτελεί εισαγωγή στην ευρύτερη περιοχή της Τεχνητής Νοημοσύνης, με έμφαση στην επίλυση προβλημάτων με αναζήτηση σε χώρους καταστάσεων, την παράσταση γνώσεων και συλλογιστική, καθώς και τη μηχανική μάθηση. Διδάσκονται βασικές έννοιες και μεθόδοι της Τεχνητής Νοημοσύνης, που χρησιμοποιούνται στους περισσότερους υποτομείς της, αλλά και πιο εξειδικευμένες μεθόδοι των υποτομέων της Τεχνητής Νοημοσύνης στους οποίους δίνει έμφαση του μάθημα. Εκτός από θεωρητικές γνώσεις, οι φοιτητές διδάσκονται στα φροντιστήρια του μαθήματος τρόπους υλοποίησης αλγορίθμων Τεχνητής Νοημοσύνης, καθώς και τη χρήση σχετικών εργαλείων λογισμικού, τα οποία έχουν τη δυνατότητα να χρησιμοποιήσουν στις προγραμματιστικές εργασίες του μαθήματος. Περισσότερες γνώσεις Μηχανικής Μάθησης παρέχονται στο ομώνυμο μάθημα (7ου εξαμήνου). Περισσότερες θέματα Επεξεργασίας Φυσικής Γλώσσας και Υπολογιστικής Όρασης καλύπτονται στο μάθημα της Αλληλεπίδρασης Ανθρώπου-Υπολογιστή (8ου εξαμήνου).
ΛιγότεραΠριν στείλετε μήνυμα στους εκπαιδευτές του μαθήματος, διαβάστε και ακολουθήστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Καλωσήρθατε στις ιστοσελίδες του προπτυχιακού μαθήματος Τεχνητή Νοημοσύνη του Τμήματος Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών. Πρόκειται για μάθημα επιλογής πυρήνα, που διδάσκεται στο 5ο (χειμερινό) εξάμηνο. Αποτελεί εισαγωγή στην ευρύτερη περιοχή της Τεχνητής Νοημοσύνης, με έμφαση στην επίλυση προβλημάτων με αναζήτηση σε χώρους καταστάσεων, την παράσταση γνώσεων και συλλογιστική, καθώς και τη μηχανική μάθηση. Διδάσκονται βασικές έννοιες και μεθόδοι της Τεχνητής Νοημοσύνης, που χρησιμοποιούνται στους περισσότερους υποτομείς της, αλλά και πιο εξειδικευμένες μεθόδοι των υποτομέων της Τεχνητής Νοημοσύνης στους οποίους δίνει έμφαση του μάθημα. Εκτός από θεωρητικές γνώσεις, οι φοιτητές διδάσκονται στα φροντιστήρια του μαθήματος τρόπους υλοποίησης αλγορίθμων Τεχνητής Νοημοσύνης, καθώς και τη χρήση σχετικών εργαλείων λογισμικού, τα οποία έχουν τη
Πριν στείλετε μήνυμα στους εκπαιδευτές του μαθήματος, διαβάστε και ακολουθήστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Καλωσήρθατε στις ιστοσελίδες του προπτυχιακού μαθήματος Τεχνητή Νοημοσύνη του Τμήματος Πληροφορικής του Οικονομικού Πανεπιστημίου Αθηνών. Πρόκειται για μάθημα επιλογής πυρήνα, που διδάσκεται στο 5ο (χειμερινό) εξάμηνο. Αποτελεί εισαγωγή στην ευρύτερη περιοχή της Τεχνητής Νοημοσύνης, με έμφαση στην επίλυση προβλημάτων με αναζήτηση σε χώρους καταστάσεων, την παράσταση γνώσεων και συλλογιστική, καθώς και τη μηχανική μάθηση. Διδάσκονται βασικές έννοιες και μεθόδοι της Τεχνητής Νοημοσύνης, που χρησιμοποιούνται στους περισσότερους υποτομείς της, αλλά και πιο εξειδικευμένες μεθόδοι των υποτομέων της Τεχνητής Νοημοσύνης στους οποίους δίνει έμφαση του μάθημα. Εκτός από θεωρητικές γνώσεις, οι φοιτητές διδάσκονται στα φροντιστήρια του μαθήματος τρόπους υλοποίησης αλγορίθμων Τεχνητής Νοημοσύνης, καθώς και τη χρήση σχετικών εργαλείων λογισμικού, τα οποία έχουν τη
Πληροφορίες
Περιεχόμενο μαθήματος
Εισαγωγή, ορισμοί ΤΝ, δοκιμασία Turing. Επίλυση προβλημάτων μέσω αναζήτησης: πρώτα σε πλάτος/βάθος, επαναληπτική εκβάθυνση, αποδεκτές και συνεπείς ευρετικές, Α*, αναρρίχηση λόφου, beam search, προσομοιωμένη ανόπτηση, γενετικοί αλγόριθμοι, MiniMax, κλάδεμα α-β. Παράσταση γνώσεων και συλλογιστική με προτασιακή και πρωτοβάθμια κατηγορηματική λογική: συντακτικό, σημασιολογία, ταυτολογική συνεπαγωγή, ορθότητα, πληρότητα, ικανοποιησιμότητα, εγκυρότητα, αποκρισιμότητα, κανονική συζευκτική μορφή, ενοποίηση, ανάλυση (resolution), συλλογιστική με προτάσεις Horn. Οντολογίες, περιγραφικές λογικές, OWL, Σημασιολογικός Ιστός. Μηχανική μάθηση: απαλοιφή υποψηφίων, επαγωγικός λογικός προγραμματισμός, k κοντινότεροι γείτονες, k-means, αφελείς ταξινομητές Bayes, εντροπία, επιλογή ιδιοτήτων, υπερ-προσαρμογή, ID3, Τυχαίο Δάσος (Random Forest), γραμμική παλινδρόμηση, κατάβαση κλίσης, λογιστική παλινδρόμηση, ομαλοποίηση (regularization), γραμμική διαχωρισιμότητα, Perceptron, πολυ-επίπεδα Perceptron (MLPs), ανάστροφη μετάδοση (back-propagation), διασταυρωμένη εντροπία (cross-entropy), απόρριψη (dropout), ομαλοποίηση δέσμης/επιπέδου (batch/layer normalization), ενθέσεις λέξεων (word embeddings), ανατροφοδοτούμενα νευρωνικά δίκτυα (RNNs), στοιβαγμένα (stacked), αμφίδρομα (bidirectional), με αυτο-προσοχή (self-attention), συνελικτικά νευρωνικά δίκτυα (CNNs), προ-εκπαιδευμένα μοντέλα, επαύξηση δεδομένων (data augmentation).
Μέθοδοι διδασκαλίας
Διαλέξεις (4 ώρες/εβδομάδα), φροντιστήρια/εργαστήρια (2 ώρες/εβδομάδα), ομαδικές προγραμματιστικές εργασίες (2) στο σπίτι.
Προτεινόμενα συγγράμματα
1. «Τεχνητή Νοημοσύνη – Μια Σύγχρονη Προσέγγιση», 4η Έκδοση, Russel, S. και Norvig, P., Κλειδάριθμος, 2021.
2. «Τεχνητή Νοημοσύνη», Βλαχάβας, Ι., Κεφαλάς, Π, Βασιλειάδης, Ν., Κόκκορας, Φ., Σακελλαρίου, Η., Εκδόσεις Πανεπιστημίου Μακεδονίας, 4η έκδοση, 2020.
Διδάσκοντες
Διδάσκων: Ίων Ανδρουτσόπουλος (http://www.aueb.gr/users/ion/, για επικοινωνία και συχνές ερωτήσεις δείτε: http://www.aueb.gr/users/ion/contact_gr.html).
Υπεύθυνοι φροντιστηρίων (2023-24): Σοφία Ελευθερίου (seleftheriou@aueb.gr), Φοίβος Χαραλαμπάκος (phoebuschar@aueb.gr).
Πριν στείλετε μήνυμα στον διδάσκοντα ή τους υπευθύνους των φροντιστηρίων, παρακαλούμε διαβάστε και ακολουθήστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Μέθοδοι αξιολόγησης
Οι φοιτητές του Τμήματος Πληροφορικής βαθμολογούνται μέσω τελικών γραπτών εξετάσεων (60% του συνολικού βαθμού) και δύο ομαδικών προγραμματιστικών εργασιών (20% κάθε εργασία). Η βαθμολόγηση των προγραμματιστικών εργασιών συμπεριλαμβάνει ατομική προφορική εξέταση. Ειδικά αν ο βαθμός των γραπτών εξετάσεων είναι μικρότερος του 4, οι βαθμοί των εργασιών δεν προσμετρώνται και ο τελικός βαθμός ισούται με το βαθμό των γραπτών εξετάσεων. Για τους φοιτητές άλλων Τμημάτων, οι προγραμματιστικές εργασίες είναι προαιρετικές.
Προαπαιτούμενα
Προαπαιτούμενα μαθήματα: «Μαθηματικά ΙΙ» ή «Αλγόριθμοι». Γενικότερα συνιστάται οι φοιτητές να έχουν ολοκληρώσει τα μαθήματα: «Διακριτά Μαθηματικά», «Μαθηματικά Ι», «Μαθηματικά ΙΙ», «Πιθανότητες», «Αλγόριθμοι», «Αυτόματα και Πολυπλοκότητα». Προτείνεται, επίσης, να παρακολουθήσουν το μάθημα «Λογική» (επίσης 5ου εξαμήνου). Οι προγραμματιστικές εργασίες του μαθήματος προϋποθέτουν ότι οι φοιτητές έχουν ολοκληρώσει τα μαθήματα «Εισαγωγή στον Προγραμματισμό Υπολογιστών», «Προγραμματισμός Υπολογιστών με Java», «Δομές Δεδομένων».
Μαθησιακοί στόχοι
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
- Να περιγράφουν παραδείγματα προβλημάτων που επιχειρεί να λύσει η Τεχνητή Νοημοσύνη και αλγορίθμους που χρησιμοποιεί, ιδιαίτερα στους τομείς της επίλυσης προβλημάτων μέσω αναζήτησης, της παράστασης γνώσεων και συλλογιστικής και της μηχανικής μάθησης.
- Να επιλέγουν κατάλληλους αλγορίθμους Τεχνητής Νοημοσύνης ανά πρόβλημα, ιδιαίτερα σε προβλήματα των παραπάνω τομέων.
- Να υλοποιούν και να εφαρμόζουν αλγορίθμους Τεχνητής Νοημοσύνης, ιδιαίτερα σε προβλήματα των παραπάνω τομέων.
- Να αξιολογούν την αποτελεσματικότητα και αποδοτικότητα αλγορίθμων και συστημάτων Τεχνητής Νοημοσύνης, ιδιαίτερα σε προβλήματα των παραπάνω τομέων.
Εισαγωγή, ορισμοί ΤΝ, δοκιμασία Turing. Επίλυση προβλημάτων μέσω αναζήτησης: πρώτα σε πλάτος/βάθος, επαναληπτική εκβάθυνση, αποδεκτές και συνεπείς ευρετικές, Α*, αναρρίχηση λόφου, beam search, προσομοιωμένη ανόπτηση, γενετικοί αλγόριθμοι, MiniMax, κλάδεμα α-β. Παράσταση γνώσεων και συλλογιστική με προτασιακή και πρωτοβάθμια κατηγορηματική λογική: συντακτικό, σημασιολογία, ταυτολογική συνεπαγωγή, ορθότητα, πληρότητα, ικανοποιησιμότητα, εγκυρότητα, αποκρισιμότητα, κανονική συζευκτική μορφή, ενοποίηση, ανάλυση (resolution), συλλογιστική με προτάσεις Horn. Οντολογίες, περιγραφικές λογικές, OWL, Σημασιολογικός Ιστός. Μηχανική μάθηση: απαλοιφή υποψηφίων, επαγωγικός λογικός προγραμματισμός, k κοντινότεροι γείτονες, k-means, αφελείς ταξινομητές Bayes, εντροπία, επιλογή ιδιοτήτων, υπερ-προσαρμογή, ID3, Τυχαίο Δάσος (Random Forest), γραμμική παλινδρόμηση, κατάβαση κλίσης, λογιστική παλινδρόμηση, ομαλοποίηση (regularization), γραμμική διαχωρισιμότητα, Perceptron, πολυ-επίπεδα Perceptron (MLPs), ανάστροφη μετάδοση (back-propagation), διασταυρωμένη εντροπία (cross-entropy), απόρριψη (dropout), ομαλοποίηση δέσμης/επιπέδου (batch/layer normalization), ενθέσεις λέξεων (word embeddings), ανατροφοδοτούμενα νευρωνικά δίκτυα (RNNs), στοιβαγμένα (stacked), αμφίδρομα (bidirectional), με αυτο-προσοχή (self-attention), συνελικτικά νευρωνικά δίκτυα (CNNs), προ-εκπαιδευμένα μοντέλα, επαύξηση δεδομένων (data augmentation).
Διαλέξεις (4 ώρες/εβδομάδα), φροντιστήρια/εργαστήρια (2 ώρες/εβδομάδα), ομαδικές προγραμματιστικές εργασίες (2) στο σπίτι.
1. «Τεχνητή Νοημοσύνη – Μια Σύγχρονη Προσέγγιση», 4η Έκδοση, Russel, S. και Norvig, P., Κλειδάριθμος, 2021.
2. «Τεχνητή Νοημοσύνη», Βλαχάβας, Ι., Κεφαλάς, Π, Βασιλειάδης, Ν., Κόκκορας, Φ., Σακελλαρίου, Η., Εκδόσεις Πανεπιστημίου Μακεδονίας, 4η έκδοση, 2020.
Διδάσκων: Ίων Ανδρουτσόπουλος (http://www.aueb.gr/users/ion/, για επικοινωνία και συχνές ερωτήσεις δείτε: http://www.aueb.gr/users/ion/contact_gr.html).
Υπεύθυνοι φροντιστηρίων (2023-24): Σοφία Ελευθερίου (seleftheriou@aueb.gr), Φοίβος Χαραλαμπάκος (phoebuschar@aueb.gr).
Πριν στείλετε μήνυμα στον διδάσκοντα ή τους υπευθύνους των φροντιστηρίων, παρακαλούμε διαβάστε και ακολουθήστε τις οδηγίες επικοινωνίας των διαφανειών της 1ης διάλεξης.
Οι φοιτητές του Τμήματος Πληροφορικής βαθμολογούνται μέσω τελικών γραπτών εξετάσεων (60% του συνολικού βαθμού) και δύο ομαδικών προγραμματιστικών εργασιών (20% κάθε εργασία). Η βαθμολόγηση των προγραμματιστικών εργασιών συμπεριλαμβάνει ατομική προφορική εξέταση. Ειδικά αν ο βαθμός των γραπτών εξετάσεων είναι μικρότερος του 4, οι βαθμοί των εργασιών δεν προσμετρώνται και ο τελικός βαθμός ισούται με το βαθμό των γραπτών εξετάσεων. Για τους φοιτητές άλλων Τμημάτων, οι προγραμματιστικές εργασίες είναι προαιρετικές.
Προαπαιτούμενα μαθήματα: «Μαθηματικά ΙΙ» ή «Αλγόριθμοι». Γενικότερα συνιστάται οι φοιτητές να έχουν ολοκληρώσει τα μαθήματα: «Διακριτά Μαθηματικά», «Μαθηματικά Ι», «Μαθηματικά ΙΙ», «Πιθανότητες», «Αλγόριθμοι», «Αυτόματα και Πολυπλοκότητα». Προτείνεται, επίσης, να παρακολουθήσουν το μάθημα «Λογική» (επίσης 5ου εξαμήνου). Οι προγραμματιστικές εργασίες του μαθήματος προϋποθέτουν ότι οι φοιτητές έχουν ολοκληρώσει τα μαθήματα «Εισαγωγή στον Προγραμματισμό Υπολογιστών», «Προγραμματισμός Υπολογιστών με Java», «Δομές Δεδομένων».
Μετά την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση:
- Να περιγράφουν παραδείγματα προβλημάτων που επιχειρεί να λύσει η Τεχνητή Νοημοσύνη και αλγορίθμους που χρησιμοποιεί, ιδιαίτερα στους τομείς της επίλυσης προβλημάτων μέσω αναζήτησης, της παράστασης γνώσεων και συλλογιστικής και της μηχανικής μάθησης.
- Να επιλέγουν κατάλληλους αλγορίθμους Τεχνητής Νοημοσύνης ανά πρόβλημα, ιδιαίτερα σε προβλήματα των παραπάνω τομέων.
- Να υλοποιούν και να εφαρμόζουν αλγορίθμους Τεχνητής Νοημοσύνης, ιδιαίτερα σε προβλήματα των παραπάνω τομέων.
- Να αξιολογούν την αποτελεσματικότητα και αποδοτικότητα αλγορίθμων και συστημάτων Τεχνητής Νοημοσύνης, ιδιαίτερα σε προβλήματα των παραπάνω τομέων.
