Στοιχεία Μαθήματος

Πρόγραμμα Σπουδών* --------- ΠΜΣ Πληροφορική και Τηλεματική Προηγμένες Τεχνολογίες Πληροφορικής και Εφαρμογές ΠΜΣ Εφαρμοσμένη Πληροφορική Προπτυχιακό Πρόγραμμα Σπουδών ΠΜΣ Επιστήμη των Υπολογιστών και Πληροφορική

Κωδικός Μαθήματος (Ελληνικά)*

Εξάμηνο*

Τίτλος (Ελληνικά)*

Ώρες Διδασκαλίας Θεωρίας (Εβδομαδιαία)

Μονάδες ECTS*

Τύπος Μαθήματος (Ελληνικά)

Προαπαιτούμενα (Ελληνικά) Υπολογιστικά Μαθηματικά Διακριτά Μαθηματικά Πιθανότητες Αριθμητική Ανάλυση Προγραμματισμός Ι & ΙΙ Αντικειμενοστραφής Προγραμματισμός Ι & ΙΙ Δομές δεδομένων Ειδικότερες γνώσεις που χρησιμεύουν: Γραμμική άλγεβρα και αναλυτική γεωμετρία: Πίνακες και διανύσματα, και πράξεις μεταξύ τους (πρόσθεση, πολλαπλασιασμός, αντίστροφος, ανάστροφος), συστήματα γραμμικών εξισώσεων και η επίλυσή τους, εσωτερικά γινόμενα, νόρμες διανυσμάτων, μήκη, αποστάσεις και γωνίες, ορθογώνια διανύσματα και ορθοκανονικές βάσεις. Επιθυμητές γνώσεις: Γραμμική ανεξαρτησία, βάσεις και βαθμός πίνακα, γραμμικοί μετασχηματισμοί, προβολές, απεικονίσεις, πυρήνες και εικόνες. Λογισμός συναρτήσεων μίας και πολλών μεταβλητών Συνεχείς και διαφορίσιμες συναρτήσεις μίας μεταβλητής, παράγωγος συνάρτησης μίας μεταβλητής, μερική παράγωγος συναρτήσεων πολλών μεταβλητών, ο κανόνας της αλυσίδας. Επιθυμητές γνώσεις: Παράγωγοι συναρτήσεων με πεδία τιμών πολλών μεταβλητών (διανυσματικά πεδία), παράγωγοι υψηλότερης τάξης, Ιακωβιανός και Εσσιανός πίνακας, στοιχεία βελτιστοποίησης, παραμετρικές καμπύλες, ανάδελτα. Θεωρία πιθανοτήτων: Απαριθμήσεις (μεταθέσεις, συνδυασμοί, διατάξεις κλπ), πιθανότητες, υπό συνθήκη πιθανότητες και ανεξαρτησία, αναμενόμενη τιμή και διασπορά, διακριτές και συνεχείς τυχαίες μεταβλητές, κατανομές, από κοινού κατανομές, θεώρημα κεντρικού ορίου, ο νόμος των μεγάλων αριθμών.

URL Μαθήματος (π.χ. στο e-class)

Μαθησιακά Αποτελέσματα (Ελληνικά) Το μάθημα έχει ως στόχο την εισαγωγή των φοιτητών σε βασικές έννοιες και μεθόδους της τεχνητής νοημοσύνης. Αρχικά το μάθημα εστιάζει σε μεθόδους αναζήτησης λύσης με υπολογισμούς, και συγκεκριμένα σε μεθόδους αναζήτησης με και χωρίς πληροφόρηση. Επιπλέον διδάσκονται τεχνικές για την επίλυση προβλημάτων ικανοποίησης περιορισμών, καθώς και μέθοδοι μεγιστοποίησης της αναμενόμενη ωφέλειας σε περιβάλλοντα με αντιπάλους. Επιπλέον, οι σπουδαστές εισάγονται στη Μηχανική Μάθηση, όπου δίνεται έμφαση στο πρόβλημα της γενικευσης μοντέλων μηχανικής μάθησης, στα γραμμικά μοντέλα και ειδικότερα σε μοντέλα γραμμικής και λογιστικής παλινδρόμησης. Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής ή η φοιτήτρια θα είναι σε θέση να κατανοεί και να εφαρμόζει ενδεικτικές μεθόδους από κάθε κατηγορία ώστε να επιλύσει πρακτικά προβλήματα τεχνητής νοημοσύνης.

Γενικές Δεξιότητες (Ελληνικά) - Προσαρμογή σε νέες καταστάσεις - Λήψη αποφάσεων - Αυτόνομη εργασία - Ομαδική εργασία - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Περιεχόμενο Μαθήματος (Ελληνικά) - Εισαγωγή στην τεχνητή νοημοσύνη - Χώροι καταστάσεων και επίλυση προβλημάτων με αναζήτηση - Οι αλγόριθμοι αναζήτησης DFS, BFS, UCS και επαναληπτικής εμβάθυνσης - Αναζήτηση με πληροφόρηση. Αλγόριθμοι άπληστης αναζήτησης και ο αλγόριθμος A* - Αναζήτηση με αντιπάλους. Οι αλγόριθμοι Minimax, Expectimax και παραλλαγές τους - Ωφέλεια πρακτόρων σε προβλήματα αναζήτησης - Προβλήματα ικανοποίησης περιορισμών - Αναζήτηση backtracking με συνέπεια ακμών - Αλγόριθμοι τοπικής αναζήτησης και παραλλαγές τους - Εισαγωγή στη Μηχανική Μάθηση και η έννοια της γενίκευσης - Γραμμική παλινδρόμηση ελαχίστων τετραγώνων - Λογιστική παλινδρόμηση και γραμμικά μοντέλα ταξινόμησης - Συνοπτική εισαγωγή στα τεχνητά νευρωνικά δίκτυα και την εκμάθηση αναπαραστάσεων

Χρήση ΤΠΕ (Ελληνικά) eclass Εργασίες σε γλώσσα Python

Είναι επιλογής; Άγνωστο Ναι Όχι

Φόρτος μέσα στο Εξάμηνο (Ώρες)

Διδασκαλίας

Εργαστήριο

Αυτοδύναμη Μελέτη*

Εργασία (Project)*

Εργαστηριακή Αναφορά*