3531 Τεχνητή Νοημοσύνη

    Μάθημα Επιλογής Πυρήνα, Ε’ εξάμηνο, 7 μονάδες ECTS                               

    URL: https://eclass.aueb.gr/courses/INF153/

    Διδάσκων: Καθηγητής Ίων Ανδρουτσόπουλος

    Περιεχόμενο

    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. 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, Τυχαίο Δάσος (Random Forest), 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).

    Μαθησιακά Αποτελέσματα

    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, παράστασης γνώσεων και συλλογιστικής, μηχανικής μάθησης, επεξεργασίας φυσικής γλώσσας.
    • 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.

    Προαπαιτούμενα Μαθήματα

    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». Οι προγραμματιστικές εργασίες του μαθήματος προϋποθέτουν ότι οι φοιτητές έχουν ολοκληρώσει τα μαθήματα «Εισαγωγή στον Προγραμματισμό Υπολογιστών», «Προγραμματισμός Υπολογιστών με Java», «Δομές Δεδομένων».

    Συνιστώμενη Βιβλιογραφία

    «Τεχνητή Νοημοσύνη – Μια Σύγχρονη Προσέγγιση», 4η Έκδοση, Russel, S. και Norvig, P., Κλειδάριθμος, 2021.

    «Τεχνητή Νοημοσύνη», Βλαχάβας, Ι., Κεφαλάς, Π, Βασιλειάδης, Ν., Κόκκορας, Φ., Σακελλαρίου, Η., Εκδόσεις Πανεπιστημίου Μακεδονίας, 4η έκδοση, 2020.

    Διδακτικές και Μαθησιακές Μέθοδοι

    Διαλέξεις (2 διαλέξεις των 2 ωρών εβδομαδιαίως), φροντιστήρια/εργαστήρια (2 ώρες εβδομαδιαίως), και ομαδικές ασκήσεις κατ’ οίκον.

    Μέθοδοι Αξιολόγησης/Βαθμολόγησης

    Οι φοιτητές βαθμολογούνται μέσω τελικών γραπτών εξετάσεων (60% του συνολικού βαθμού) και δύο ομαδικών προγραμματιστικών εργασιών (20% κάθε εργασία). 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.