Home / Υβριδικά Συστήματα Υπολογιστικής Νοημοσύνης

Υβριδικά Συστήματα Υπολογιστικής Νοημοσύνης

Κωδικός Μαθήματος:

ΝΜΒ.913(ε1)

Εξάμηνο:

Προπτυχιακό Πρόγραμμα Σπουδών

Κατηγορία:

ΜΕΥ

Ώρες:

2+1

Μονάδες ECTS:

4

Σύνδεσμος στο eClass:

https://eclass.uniwa.gr/courses/237/


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/computational-intelligence-hybrid-systems/
       
(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.

Με την ολοκλήρωση του μαθήματος οι φοιτητές θα διαθέτουν:
1.  Γνώση για το συγκερασμό πολλαπλών τεχνολογιών νοημοσύνης.
2. Ένα ικανοποιητικό επίπεδο γνώσης για τα βασικά υβριδικά μοντέλα υπολογιστικής νοημοσύνης
3. Απαραίτητες γνώσεις για τη μελέτη και την εφαρμογή υβριδικών ευφυών συστημάτων. 
4. Γνώση και δεξιότητες στα εργαλεία που βοηθούν στην ανάπτυξη και στο σχεδιασμό υβριδικών ευφυών συστημάτων.

Αναλυτικά, οι φοιτητές θα είναι σε θέση:
1. Να κατανοούν τα βασικά χαρακτηριστικά και τα πλεονεκτήματα/μειονεκτήματα των τεχνολογιών νοημοσύνης.
2. Να διακρίνουν πότε και γιατί εφαρμόζουμε υβριδικά ευφυή συστήματα σε ένα πραγματικό σύστημα.
3. Να εφαρμόζουν υβριδικά ευφυή συστήματα στην Ιατρική και στη Βιολογία
4. Να σχεδιάζουν συστήματα αποφάσεων με υβριδικά ευφυή 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. Νευρωνικά έμπειρα συστήματα
2. Νευροασαφή συστήματα
3. Προσαρμοστικό νευροασαφές σύστημα συμπερασμού
4. Εξελικτικά νευρωνικά ΤΝΔ
5. Εξελικτικά συστήματα ασαφούς λογικής
6. Ελεγκτές Ασαφούς Λογικής 
7. Ασαφείς ελεγκτές τύπου PID
8. Βελτιστοποίηση συστημάτων ασαφούς λογικής
9. Έμφαση στις βιοϊατρικές εφαρμογές
10. Matlab Simulink
       
(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 94
   
   
   
   
Σύνολο Μαθήματος  120

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      

• M. Negnevitsky, Τεχνητή Νοημοσύνη, Εκδόσεις Τζιόλα, 2018.
• J. Jang, C. Sun, E. Mizutani, Neuro-Fuzzy and Soft Computing,, Prentice Hall, 1997.
•  Σ. Τζαφέστας, Υπολογιστική Νοημοσύνη, Τόμος Α και Τόμος Β, 2002.
• A. Engelbrecht, Computational Intelligence: An Introduction, Wiley, 2007
• F. Karray and C. De Silva, Soft Computing and Intelligent Systems Design, Addison Wesley, 2004.
• Σημειώσεις – Διαφάνειες διαλέξεων.

Συναφή επιστημονικά περιοδικά:
• Complex and Intelligent Systems – Springer
• IEEE Intelligent Systems
• International Journal of Intelligent Systems
• Journal of Intelligent & Fuzzy Systems – IOP Press
• Neural Computing and Applications – Springer