Παρουσίαση/Προβολή

Εικόνα επιλογής

Τεχνητή Νοημοσύνη

(8.020) -  Μπατσάκης Σωτήριος

Περιγραφή Μαθήματος

Το μάθημα της Τεχνητής Νοημοσύνης στοχεύει να δώσει στους φοιτητές τις απαραίτητες γνώσεις για  ανάπτυξη συστημάτων τεχνητής νοημοσύνης. Ο  φοιτητής μαθαίνει βασικές μεθόδους, τεχνικές και αλγορίθμους  τεχνητής νοημοσύνης σε ένα ευρύ σύνολο από θεματικές υποπεριοχές της ώστε να έχει σφαιρική γνώση των θεμάτων με τα οποία ασχολείται η τεχνητή νοημοσύνη.  Εκπαιδεύεται στο να χρησιμοποιεί  αυτή τη γνώση αποτελεσματικά στην επίλυση προβλημάτων. Αναμένεται να μπορεί ο φοιτητής   για κάθε πρόβλημα, απλό ή σύνθετο, που λύνεται με την τεχνολογία της τεχνητής νοημοσύνης να  επιλέγει τις  κατάλληλες μεθόδους και   τεχνικές  που πρέπει να χρησιμοποιήσει για την επίλυση του.  Τέλος, ο φοιτητής αποκτά στέρεες θεωρητικές και πρακτικές βάσεις για να προχωρήσει σε θέματα έρευνας σε τεχνητή νοημοσύνη.

Ημερομηνία δημιουργίας

Σάββατο 28 Φεβρουαρίου 2015

Σελίδα μαθήματος
  • Περίγραμμα

    Περιεχόμενο μαθήματος

    Ενότητες Θεωρητικών Διαλέξεων

    • Εισαγωγή: Τι είναι Τεχνητή Νοημοσύνη; Προσεγγίσεις και περιοχές εφαρμογής της ΤΝ.
    • Επίλυση προβλημάτων με αναζήτηση σε χώρο καταστάσεων: αναπαράσταση προβλήματος, ένας γενικός αλγόριθμος αναζήτησης χώρου καταστάσεων. Αλγόριθμοι τυφλής αναζήτησης χώρου καταστάσεων. Αλγόριθμοι ευρετικής αναζήτησης χώρου καταστάσεων.
    • Αλγόριθμοι αναζήτησης σε παίγνια δύο αντιπάλων.
    • Ικανοποίηση περιορισμών.
    • Συλλογιστική και αναπαράσταση γνώσης: Συλλογιστική. Δηλωτική και διαδικαστική αναπαράσταση γνώσης. Αναπαράσταση γνώσης σε λογική. Αναπαράσταση γνώσης σε συστήματα που στηρίζονται σε κανόνες. Δομημένες αναπαραστάσεις γνώσης (σημασιολογικά δίκτυα, πλαίσια). Αναπαράσταση χρόνου.
    • Αβεβαιότητα: Αβέβαιη  γνώση και συλλογιστικές.
    • Επεξεργασία Φυσικής Γλώσσας: Σύνταξη και μεταγλωττισμός (parsing), σημασιολογία και έννοια, κατανόηση φυσικής γλώσσας, δημιουργία φυσικής γλώσσας.
    • Αυτοματοποίηση της ανάπτυξης λογισμικού.
    • Μηχανική Μάθηση.
    • Σχεδιασμός ενεργειών.
    • Ευφυείς Πράκτορες.
    • Προχωρημένες προγραμματιστικές τεχνικές σε Prolog για υλοποίηση σύνθετων συστημάτων Τεχνητής Νοημοσύνης όπως  δομές δεδομένων, ανοικτές λίστες,  DCG  κανόνες,   μετα-προγραμματισμός και άλλες

    Εργαστηριακές Ασκήσεις

    • Οι εργαστηριακές ασκήσεις θα αντιστοιχούν στις ενότητες των θεωρητικών διαλέξεων. Θα αφορούν ασκήσεις η υλοποίηση των οποίων θα γίνεται σε Prolog. 

    Βιβλιογραφία

    -Προτεινόμενη Βιβλιογραφία :

    Ελληνική

    • Μ. Μαρακάκης, Τεχνητή Νοημοσύνη – ΑΙ, Εκδόσεις Νέων Τεχνολογιών, ISBN: 978-960-578-109-5, Κωδικός Βιβλίου στον Εύδοξο: 122092026
    • Ι. Βλαχάβας, Π. Κεφάλας, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου, “Τεχνητή Νοημοσύνη”, Δ έκδοση, 2020, Εκδόσεις Πανεπιστημίου Μακεδονίας, ISBN: 978-618-5196-44-8. Κωδικός Βιβλίου στον Εύδοξο: 94700120
    • Μ. Μαρακάκης, Prolog: Προγραμματισμός σε Λογική για Τεχνητή Νοημοσύνη, Εκδόσεις Νέων Τεχνολογιών, 2η έκδοση 2019, ISBN: 978-960-578-055-5. Κωδικός Βιβλίου στον Εύδοξο: 86200975 .
    • S. Russell, P. Norving, “Τεχνητή Νοημοσύνη: Μια Σύγχρονη Προσέγγιση”,  4η έκδοση 2020, εκδόσεις Κλειδάριθμος, κωδ. σε Εύδοξο: 102070469
    • Κ. Γεωργούλη, Τεχνητή Νοημοσύνη – Μια Εισαγωγική Προσέγγιση,  Ελληνικά Ακαδημαϊκά Συγγράμματα και Βοηθήματα,  www.kallipos.gr,  ISBN: 978-960-603-031-4, Σύνδεσμος Ελληνικών Ακαδημαϊκών Βιβλιοθηκών ( ΣΕΑΒ), 2015.

    Αγγλική

     

    • F. Luger, W. A. Stubblefield, Artificial Intelligence: Structures and Strategies for Complex Problem Solving, Addison-Wesley,  fifth edition, 2005, ISBN 0-321-26318-9
    • Ι. Bratko, Prolog Programming for Artificial Intelligence, Pearson Education Canada,  4th edition, 2011, ISBN 13: 9780321417466.
    • Poole, A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, Cambridge University Press,  2010, ISBN 0-13-978-0-521-51900-7.

    -Συναφή επιστημονικά περιοδικά:

    • Artificial Intelligence, Elsevier.
    • International Journal on Artificial Intelligence Tools, World Scientific.
    • Artificial Intelligence review, Springer.

    Μέθοδοι αξιολόγησης

    1. Εξετάσεις 60% (πάνω από 45% για περάσει κάποιος το μάθημα)
      • Τελική εξέταση: 60% ή 100% (χωρίς την ενδιάμεση εξέταση)
      • Ενδιάμεση εξέταση: 40% (προαιρετική)
    2. Εργαστήριο: 40% (πάνω από 45% για περάσει κάποιος το μάθημα)
      • Εργασίες: 50%
      • Εργαστηριακή εξέταση: 50% 

    Τα κριτήρια αξιολόγησης ανακοινώνονται στους φοιτητές κατά την έναρξη του εξαμήνου και βρίσκονται αναρτημένα στην ιστοσελίδα του μαθήματος στο eClass.