Καθηγητές Μαθήματος
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. 2. Ένα ικανοποιητικό επίπεδο γνώσης για τις θεμελιώδεις αρχές και τα μοντέλα των ΓΑ. 3. Γνώση και δεξιότητες στα εργαλεία που βοηθούν στην εφαρμογή των ΓΑ. 4. Γνώση και ικανότητες για τη μελέτη και την εφαρμογή εξελικτικών αλγορίθμων σε πραγματικά προβλήματα. 5. Ένα διαφορετικό τρόπο αντιμετώπισης της ολικής βελτιστοποίησης σύνθετων συστημάτων. 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. • Β. Καμπουρλάζος, Α. Παπακώστας, Εισαγωγή στην Υπολογιστική Νοημοσύνη, Ελληνικά Ακαδημαϊκά Ηλεκτρονικά Συγγράμματα και Βοηθήματα – Αποθετήριο “Κάλλιπος”, 2015. • Σ. Τζαφέστας, Υπολογιστική Νοημοσύνη, Τόμος Α και Τόμος Β, 2002. • Γ. Μπούταλης, Γ. Συρακούλης, Υπολογιστική Νοημοσύνη και Εφαρμογές, 2010. • Goldberg D. E., “Genetic algorithms in search, optimisation and machine learning, Addison-Wesley, 1989. • Michalewicz Z., “Genetic Algorithms + Data Structures = Evolution” Programs, Springer 1996. • Davis L., “Handbook of Genetic Algorithms”, Von Nostrand, NY, 1991. • Fogel D. B., “Evolutionary Computation”, IEEE Press, 1995. • 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/. • A. Engelbrecht, Computational Intelligence: An Introduction, Wiley, 2007 • Μεθευρετικοί και Εξελικτικοί Αλγόριθμοι σε Προβλήματα Διοικητικής Επιστήμης • Σημειώσεις – Διαφάνειες διαλέξεων. Συναφή επιστημονικά περιοδικά: |
|||