Τεχνητή Νοημοσύνη

Ίων Ανδρουτσόπουλος

Περιγραφή

Πριν στείλετε μήνυμα στους εκπαιδευτές του μαθήματος, διαβάστε 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 υποχρεωτικό μάθημα του κύκλου Βάσεις Δεδομένων και Διαχείριση Γνώσεων, το οποίο διδάσκεται το 5ο (χειμερινό) εξάμηνο. Το μάθημα αποτελεί εισαγωγή στην ευρύτερη περιοχή της Τεχνητής Νοημοσύνης, με έμφαση στην επίλυση προβλημάτων με αναζήτηση σε χώρους καταστάσεων, την παράσταση γνώσεων και τη συλλογιστική, τη μηχανική μάθηση και την επεξεργασία φυσικής γλώσσας. 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 εργαστήρια του μαθήματος τρόπους υλοποίησης αλγορίθμων Τεχνητής Νοημοσύν

Περισσότερα  
Περιεχόμενο μαθήματος

Δοκιμασία Turing, δωμάτιο του Searle. Επίλυση προβλημάτων ως αναζήτηση: 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. Σημασιολογικά δίκτυα και πλαίσια. Οντολογίες, περιγραφικές λογικές, OWL, Σημασιολογικός Ιστός. Συστήματα παραγωγής. Έμπειρα συστήματα. Μηχανική μάθηση: απαλοιφή υποψηφίων, επαγωγικός λογικός προγραμματισμός, k κοντινότεροι γείτονες, αλγόριθμος k-means, αφελείς ταξινομητές Bayes, εντροπία, επιλογή ιδιοτήτων, υπερ-προσαρμογή, ID3, γραμμική παλινδρόμηση, κατάβαση κλίσης, λογιστική παλινδρόμηση, γραμμική διαχωρισιμότητα, Perceptron, πολυ-επίπεδα Perceptron (MLPs), ανάστροφη μετάδοση (back-propagation). Επεξεργασία φυσικής γλώσσας: στάδια επεξεργασίας, ιεραρχία γραμματικών Chomsky και αντίστοιχα αυτόματα, συντακτική ανάλυση με χάρτη, αλγόριθμος Earley, επαυξημένες γραμματικές χωρίς συμφραζόμενα, γραμματικές DCG, σημασιολογική ανάλυση, επεξεργασία φυσικής γλώσσας με ανατροφοδοτούμενα νευρωνικά δίκτυα (RNNs).

Μέθοδοι διδασκαλίας

Διαλέξεις (4 ώρες/εβδομάδα), εργαστηριακές ασκήσεις και φροντιστήριο (2 ώρες/εβδομάδα), ομαδικές ασκήσεις στο σπίτι.

Προτεινόμενα συγγράμματα

1. «Τεχνητή Νοημοσύνη – Μια Σύγχρονη Προσέγγιση», 2η Έκδοση, Russel, S. και Norvig, P., Κλειδάριθμος, 2005. 
2. «Τεχνητή Νοημοσύνη», Βλαχάβας, Ι., Κεφαλάς, Π, Βασιλειάδης, Ν., Κόκκορας, Φ., Σακελλαρίου, Η., Εκδόσεις Πανεπιστημίου Μακεδονίας, 2011.

Διδάσκοντες

Διδάσκων: Ίων Ανδρουτσόπουλος (http://www.aueb.gr/users/ion/, επικοινωνία και συχνές ερωτήσεις: http://www.aueb.gr/users/ion/contact_gr.html).­

Υπεύθυνος εργαστηρίων/φροντιστηρίων (2019-120): Δημήτρης Παππάς ( pappasd ατ aueb τελεία gr).

Πριν στείλετε μήνυμα ηλεκτρονικού ταχυδρομείου στο διδάσκοντα ή τους υπευθύνους των εργαστηρίων/φροντιστηρίων, διαβάστε 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. Η γραπτή εξέταση διεξάγεται με κλειστά βιβλία, αλλά οι φοιτητές επιτρέπεται να έχουν μαζί τους δύο φύλλα ιδιόχειρων σημειώσεων. Οι γραπτές εξετάσεις περιλαμβάνουν ερωτήσεις σύντομης ανάπτυξης, πολλαπλής επιλογής και επίλυσης προβλημάτων. 

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 παρακολουθούν παράλληλα το μάθημα «Λογική». 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:

  1. Να περιγράφουν παραδείγματα προβλημάτων που επιχειρεί να λύσει η Τεχνητή Νοημοσύνη και αλγορίθμους που χρησιμοποιεί, ιδιαίτερα στους τομείς της επίλυσης προβλημάτων μέσω αναζήτησης, παράστασης γνώσεων και συλλογιστικής, μηχανικής μάθησης, επεξεργασίας φυσικής γλώσσας. 
  2. Να επιλέγουν κατάλληλους αλγορίθμους Τεχνητής Νοημοσύνης ανά πρόβλημα, ιδιαίτερα σε προβλήματα των παραπάνω τομέων. 
  3. Να υλοποιούν και να εφαρμόζουν αλγορίθμους Τεχνητής Νοημοσύνης, ιδιαίτερα σε προβλήματα των παραπάνω τομέων. 
  4. Να αξιολογούν την αποτελεσματικότητα και αποδοτικότητα αλγορίθμων και συστημάτων Τεχνητής Νοημοσύνης, ιδιαίτερα σε προβλήματα των παραπάνω τομέων.

Ανακοινώσεις