Παρουσίαση/Προβολή

(MST148) -  Παπαδάκης Στυλιανός

Περιγραφή Μαθήματος

Ο Στόχος του μαθήματος είναι η εξοικείωση του φοιτητή με την τεχνητή νοημοσύνη και τις εφαρμογές της στη λήψη αποφάσεων. Εξοικείωση με μη παραμετρικά ευφυή μοντέλα πρόβλεψης και με τεχνικές αναπαράστασης ανομοιογενών τύπων δεδομένων.

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής θα έχει:

• Τη γνώση ώστε να:
  • Περιγράφει ένα σύνολο από δεδομένα με την κατάλληλη αναπαράσταση
  • Προσδιορίζει τα πλεονεκτήματα των μη παραμετρικών μοντέλων σε δεδομένα υπό αβεβαιότητα
  • Αναγνωρίζει τα μειονεκτήματα των αναλυτικών μεθόδων μοντελοποίησης και πρόβλεψης.
  • Επιλέγει την κατάλληλη τεχνική μοντελοποίησης και αναπαράστασης των διαθέσιμων δεδομένων ανάλογα με τη φύση του προβλήματος και τη μορφή των δεδομένων
• Τη δεξιότητα να:
  • Διακρίνει τα προβλήματα τα οποία απαιτούν ευφυή μοντέλα για την αντιμετώπιση τους.
  • Εκτιμά την αξιοπιστία των λύσεων που παρέχουν τα ευφυή μοντέλα.
  • Συμπεραίνει τη συμπεριφορά που διέπει ένα συνόλου δεδομένων παρατήρησης υπό μορφή λεκτικών κανόνων.
  • υπολογίζει τη βέλτιστη δομή ενός ευφυούς μοντέλου από τα διαθέσιμα δεδομένα
  • ταξινομεί διαφορετικές μεθοδολογίες ως προς την επίδοση τους για δεδομένο πρόβλημα
  • ανακαλύπτει γνώση που υπάρχει στα δεδομένα υπό τη μορφή λεκτικών κανόνων
• Την ικανότητα να:
  • Συνδυάζει παραμετρικά και μη παραμετρικά μοντέλα για τη λήψη αποφάσεων ανάλογα με το πρόβλημα
  • Σχεδιάζει ευφυή συστήματα με βέλτιστη δομή την οποία να υπολογίζει από τα διαθέσιμα δεδομένα
  • Δημιουργεί ευφυή συστήματα λήψης αποφάσεων και πολιτικών σε επιχειρηματικά περιβάλλοντα.
  • Συνθέτει διαφορετικές μεθοδολογίες για τη σχεδίαση πληροφοριακών συστημάτων λήψης αποφάσεων
  • Εξηγεί τα αποτελέσματα των ευφυών μοντέλων
  • Οργανώνει και αναπαριστά τα διαθέσιμα δεδομένα στην κατάλληλη μορφή ανάλογα με το προς επίλυση πρόβλημα και ευφυές σύστημα.
  • Προτείνει τη βέλτιστη τεχνική μοντελοποίησης
  • Αναθεωρεί, ανακατασκευάζει και αναδιοργανώνει δεδομένες διαδικασίες λήψης αποφάσεων που βασίζονται σε παραμετρικές τεχνικές πρόβλεψης και κατηγοριοποίησης όταν τα δεδομένα χαρακτηρίζονται από αβεβαιότητα.
  • Συγκρίνει και να αξιολογεί διαφορετικές τεχνικές μοντελοποίησης.
  • Υποστηρίζει συστήματα λήψης αποφάσεων

 

 ΠΕΡΙΕΧΟΜΕΝΟ

• Εισαγωγή και επισκόπηση της τεχνητής νοημοσύνης, πεδία εφαρμογής με έμφαση στη λήψη αποφάσεων και την οικονομία.
• Κατηγοριοποίηση, παλινδρόμηση.
• Αβεβαιότητα και καθιερωμένοι τρόποι μέτρησης και αναπαράστασης της.
• Ασαφής λογική, κατανομές πιθανότητας και βεβαιότητας, ασαφή σύνολα, ασαφείς κανόνες, λεκτικοί κανόνες, Μηχανισμοί συμπερασμού.
• Μη παραμετρικά μοντέλα μοντελοποίησης και πρόβλεψης, βασικές έννοιες
• Μάθηση με επίβλεψη και χωρίς επίβλεψη
• Νευρο-ασαφή συστήματα.
• Μηχανική μάθηση
• Μέτρηση και ελαχιστοποίηση εμπειρικού και δομικού ρίσκου, συναρτήσεις μέγιστης πιθανοφάνειας, λογιστική παλινδρόμηση, Νευρωνικά δίκτυα, μηχανές διανυσμάτων υποστήριξης.
• Προσδιορισμός βέλτιστης δομής ευφυών μοντέλων
• Σημασιολογικά δίκτυα.
• Μηχανές πεπερασμένων καταστάσεων.

Προτεινόμενη Βιβλιογραφία :     1. Βλαχάβας Ιωάννης,Κεφάλας Πέτρος,Βασιλειάδης Νικόλαος,Κόκκορας Φώτης,Σακελλαρίου Ηλίας, Τεχνητή νοημοσύνη, ΓΚΙΟΥΡΔΑΣ ΕΚΔΟΤΙΚΗ ΕΠΕ, 4η έκδ./2006 2. STUART RUSSELL, PETER NORVIG, ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ: ΜΙΑ ΣΥΓΧΡΟΝΗ ΠΡΟΣΕΓΓΙΣΗ, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, Έκδοση 2, 2005. 3. Ιωάννης Μπούταλης, Γεώργιος Συρακούλης, Υπολογιστική Νοημοσύνη και Εφαρμογές, (Εκδότης) ΓΕΩΡΓΙΟΣ ΣΥΡΑΚΟΥΛΗΣ, 2010. 4. ΚΩΝΣΤΑΝΤΙΝΟΣ ΔΙΑΜΑΝΤΑΡΑΣ, ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ ΕΠΕ, 2007. 5. Ν. Ματσατσίνης - Ν. Σπανουδάκης - Α. Σαμαράς, Εισαγωγή στην Τεχνητή Νοημοσύνη και στα Συστήματα Πολλαπλών Πρακτόρων, ΕΚΔΟΣΕΙΣ ΝΕΩΝ ΤΕΧΝΟΛΟΓΙΩΝ, 2006.

Ημερομηνία δημιουργίας

Πέμπτη 9 Σεπτεμβρίου 2021