Τεχνητά Νευρωνικά Δίκτυα

Κωδικός Μαθήματος:

ΝΜΒ.611(ε2)

Εξάμηνο:

Προπτυχιακό Πρόγραμμα Σπουδών

Κατηγορία:

ΜΕΥ

Ώρες:

2+1

Μονάδες ECTS:

3

Σύνδεσμος στο eClass:

https://eclass.uniwa.gr/courses/252/

Σύνδεσμος στο eClass εργαστηρίου:

https://eclass.uniwa.gr/courses/252/


Περίγραμμα

ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ  Ειδικού Υποβάθρου
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:  
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ: ΕΛΛΗΝΙΚΑ
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS  ΟΧΙ
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL) https://bme.uniwa.gr/course/artificial-neural-networks/
       
(2)    ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ      
Μαθησιακά Αποτελέσματα
Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.
Μετά το τέλος του μαθήματος οι φοιτητές:
1.Εξοικείωση με τους γενικούς στόχους της Τεχνητής Νοημοσύνης (ΤΝ) και των Τεχνητών Νευρωνιών Δικτύων (ΤΝΔ), με στόχο τη σχεδίαση και ανάπτυξη ευφυών συστημάτων.
2.Ένα ικανοποιητικό επίπεδο γνώσης για τις θεμελιώδεις αρχές και τα μοντέλα των ΤΝΔ.
3.Γνώση και δεξιότητες στα εργαλεία που βοηθούν στην ανάπτυξη και στο σχεδιασμό ΤΝΔ.
Αναλυτικά, οι φοιτητές θα είναι σε θέση:
1.Να κατανοούν τα βασικά χαρακτηριστικά της θεωρίας και των μεθοδολογιών  των ΤΝ.
2.Να διακρίνουν πότε και γιατί εφαρμόζουμε ΤΝΔ σε ένα πραγματικό σύστημα.
3.Να αξιοποιούν τα εργαλεία και τις τεχνικές για την ανάπτυξη ΤΝΔ.
4.Να μοντελοποιούν σύνθετα συστήματα στα οποία η μαθηματική προτυποποίησή τους είναι περίπλοκη.
5. Οι φοιτητές να ενσωματώνουν τις τεχνικές της ΤΝ σε απλά συστήματα.
Γενικές Ικανότητες
Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.
• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
• Προσαρμογή σε νέες καταστάσεις
• Λήψη αποφάσεων
• Αυτόνομη εργασία 
• Ομαδική εργασία
• Εργασία σε διεθνές περιβάλλον
• Εργασία σε διεπιστημονικό περιβάλλον
• Παραγωγή νέων ερευνητικών ιδεών
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
       
(3)    ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ      
1. Εισαγωγή στην Τεχνητή Νοημοσύνη: Ορισμός, ιστορική αναδροµή, σύνδεση µε άλλους επιστημονικούς κλάδους, ιστορία
2. Βασικά μοντέλα αναπαράστασης τεχνητού νευρώνα, είδη συναρτήσεων ενεργοποίησης, Βασικές αρχιτεκτονικές δομές των Νευρωνικών Δικτύων. Βασικοί αλγόριθμοι της διαδικασίας μάθησης
3. Αλγόριθμος του Perceptron (Θεμελίωση του αλγορίθμου, θεώρημα σύγκλισης και μέτρο απόδοσης του αλγορίθμου). Αλγόριθμος Ελάχιστου Μέσου Τετραγωνικού Λάθους και μεθοδολογία εκπαίδευσης στοιχείου ADALINE)
4. Το μοντέλο Perceptron πολλών στομάτων. Ο αλγόριθμος εκπαίδευσης Back-Propagation. Ο Γενικευμένος Δέλτα Κανόνας. Τρόποι εκπαίδευσης του δικτύου
5. Δίκτυα συναρτήσεων βάσης ακτινικού τύπου (RBF).
6. Αυτο-Οργανούμενα Δίκτυα (SOM του Kohonen)
7. Εφαρμογές στην Ιατρική και στη Βιολογία
8. Matlab Neural Network Toolbox
       
(4) ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ – ΑΞΙΟΛΟΓΗΣΗ    
ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.
Πρόσωπο με πρόσωπο στην πανεπιστημιακή αίθουσα.
ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές
Ηλεκτρονικές Παρουσιάσεις στη Διδασκαλία.
Χρήση της ηλεκτρονικής πλατφόρμας eClass του Τμήματος στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση και στην Επικοινωνία με τους φοιτητές.
Χρήση ηλεκτρονικής πλατφόρμας διασύνδεσης διδάσκοντος – διδασκομένων μέσω τοπικού δικτύου υπολογιστών στην Εργαστηριακή Εκπαίδευση.
ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ Δραστηριότητα Φόρτος Εργασίας Εξαμήνου
Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας.
Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης σύμφωνα με τις αρχές του ECTS
Διαλέξεις (2×13) 26
Εργαστήριο (1×13) 13
Αυτοτελής μελέτη 70,5
   
   
   
   
Σύνολο Μαθήματος  96,5

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Περιγραφή της διαδικασίας αξιολόγησης

Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

Γλώσσα αξιολόγησης: Ελληνικά.
Μέθοδος αξιολόγησης:
• Θεωρία (25-75%): Τελική αξιολόγηση με ερωτήσεις πολλαπλής επιλογής, ερωτήσεις σύντομης απάντησης και επίλυση προβλημάτων.
• Εργαστήριο (25-75%): Συνδυασμός βαθμολογίας εβδομαδιαίων εργαστηριακών ασκήσεων και τελικής εξέτασης σε ηλεκτρονικό υπολογιστή.
• Ανάθεση Εργασιών (0-50%): Αξιολόγηση υλοποίησης και παρουσίασης εργασιών.
       
(5) ΣΥΝΙΣΤΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ      

• Διαμαντάρας, Τεχνητά Νευρωνικά Δίκτυα, Κλειδάριθμος, 2007.
• M. Negnevitsky, Τεχνητή Νοημοσύνη, Εκδόσεις Τζιόλα, 2018.
• «Τεχνητή Νοημοσύνη: Μια σύγχρονη προσέγγιση», Εκδόσεις Κλειδάριθμος http://aima.uom.gr/.
• Ι. Βλαχάβα, Π. Κεφαλά, Ν. Βασιλειάδη, Φ. Κόκκορα και Η. Σακελαρίου. Τεχνητή Νοημοσύνη. Εκδόσεις Παν/μίου Μακεδονίας, ISBN: 978-960-8396-64-7, Κωδικός σε Εύδοξο: 12867416, http://aibook.csd.auth.gr/.
• Σ. Τζαφέστας, Υπολογιστική Νοημοσύνη, Τόμος Α και Τόμος Β, 2002.
• L. Tsoukalas, R. Uhrig, Fuzzy and Neural Approaches in Engineering, MATLAB Supplement, John Wiley & Sons, 1997.
• Γ. Μπούταλης, Γ. Συρακούλης, Υπολογιστική Νοημοσύνη και Εφαρμογές, 2010.
• Simon Haykin, Νευρωνικά Δίκτυα και Μηχανική Μάθηση, Εκδόσεις Παπασωτηρίου, 2010.
• Christopher M Bishop, Neural networks for pattern recognition, Oxford university, press, 1995.
• A. Engelbrecht, Computational Intelligence: An Introduction, Wiley, 2007
• Σημειώσεις – Διαφάνειες διαλέξεων.

Συναφή επιστημονικά περιοδικά:
• Neural Networks
• ΙΕΕΕ Transactions on Neural Networks and Learning Systems
• IEEE Computational Intelligence Magazine
• Computational Intelligence – Wiley