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/evolutionary-computation/ | ||
(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. |
|||
1. Εξοικείωση με τους γενικούς στόχους της βελτιστοποίησης και του εξελικτικού υπολογισμού με στόχο τη κατανόηση και την εφαρμογή εξελικτικών αλγορίθμων. Αναλυτικά, οι φοιτητές θα είναι σε θέση: |
|||
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 στη Βελτιστοποίηση 2. Χώροι αναζήτησης και τοπία προσαρμογής 3. Βασικός Γενετικός Αλγόριθμος. 4. Βελτιστοποίηση με ή χωρίς περιορισμούς 5. Εφαρμογές των Γενετικών Αλγορίθμων – Παραδείγματα 6. Εξελικτικές στρατηγικές 7. Εξελικτικός αλγόριθμος Big Bang – Big Crunch 8. Εξελικτικός αλγόριθμος νοημοσύνης σμήνους Particle Swarm Optimization 9. Έμφαση στις Βιοϊατρικές εφαρμογές 10. Matlab Optimization Toolbox – GA |
|||
(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 | 93,5 | ||
Σύνολο Μαθήματος | 119,5 | ||
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 | |||
• M. Negnevitsky, Τεχνητή Νοημοσύνη, Εκδόσεις Τζιόλα, 2018. Συναφή επιστημονικά περιοδικά: |