Τεχνητή Νοημοσύνη

Κωδικός Μαθήματος: Ν2-6020
Εβδομαδιαίες ώρες διδασκαλίας: 4 (2Θ + 2Ε)
Πιστωτικές μονάδες: 5
Τυπικό εξάμηνο διδασκαλίας: 6ο
Κατηγορία μαθήματος: Μάθημα Ειδικότητας
Προαπαιτούμενα:  

Μαθησιακά αποτελέσματα

Ο σκοπός του μαθήματος είναι να εξοικειώσει τους σπουδαστές με το θεωρητικό χώρο και τις εφαρμογές της τεχνητής νοημοσύνης.

Στόχος του μαθήματος είναι οι φοιτητές να αποκτήσουν γνώσεις που θα οδηγήσουν σε πρακτική εφαρμογή σε χώρους όπως τρόποι αναπαράστασης της γνώσης, τεχνικές αναζήτησης λύσεων σε προβλήματα και τεχνικές εξαγωγής συμπερασμάτων και να αποκτήσουν ακαδημαϊκές γνώσεις για θέματα που απασχολούν σήμερα το χώρο της τεχνητής νοημοσύνης, όπως νευρωνικά δίκτυα, γενετικοί αλγόριθμοι, νοήμονες πράκτορες και εφαρμογές τους.

Πιο συγκεκριμένα, οι μαθησιακοί στόχοι του μαθήματος είναι οι φοιτητές, μετά την ολοκλήρωση του μαθήματος, να είναι ικανοί να :

  • περιγράφουν προβλήματα και να αναπαριστούν τη σχετική γνώση με τυπικούς τρόπους
  • να διακρίνουν τις διαφορές μεταξύ τυφλών και ευριστικών αλγόριθμων αναζήτησης και να τους κωδικοποιούν στο πλαίσιο της επίλυσης προβλημάτων
  • κατανοούν τους διάφορους τρόπους αναπαράστασης γνώσης
  • κατανοούν τη δομή και τον τρόπο λειτουργίας των εμπείρων συστημάτων
  • σχεδιάζουν και αναπτύσσουν έμπειρα συστήματα βασισμένα σε κανόνες
  • αναγνωρίζουν τα διαφορετικά είδη μηχανικής μάθησης
  • περιγράφουν τη λειτουργία συστημάτων μηχανικής μάθησης, όπως δένδρα αποφάσεων, νευρωνικά δίκτυα και γενετικοί αλγόριθμοι
  • αναγνωρίζουν τα χαρακτηριστικά των νοημόνων πρακτόρων και των εφαρμογών τους

Περιεχόμενο μαθήματος

Στο πλαίσιο του μαθήματος διδάσκονται τα παρακάτω:

Ιστορική Αναδρομή, Βασικές έννοιες, Αναπαράσταση γνώσης, Αλγόριθμοι αναζήτησης, Επίλυση προβλημάτων, Συστήματα Παραγωγής, Τεχνικές εξαγωγής συμπερασμάτων, Μάθηση Μηχανής, Δένδρα Παραγωγής, Νευρωνικά Δίκτυα, Γενετικοί Αλγόριθμοι, Έμπειρα Συστήματα, Νοήμονες Πράκτορες.

Το εργαστηριακό μάθημα της Τεχνητής Νοημοσύνης συνεργάζεται απόλυτα με το θεωρητικό αντίστοιχο μάθημα και στοχεύει στην κατανόηση εκ μέρους των φοιτητών θεωρητικών εννοιών όπως περιγραφή προβλήματος, επίλυση προβλήματος, αλγόριθμοι αναζήτησης, αναπαράσταση γνώσης και έμπειρα συστήματα και την εξάσκησή τους στην επίλυση προβλημάτων χρησιμοποιώντας όλες τις παραπάνω γνώσεις. Στο πλαίσιο αυτό ο σπουδαστής καλείται να επιλύσει ένα μικρό πρόβλημα του πραγματικού κόσμου με δυο διαφορετικές προσεγγίσεις, αυτή των αλγορίθμων αναζήτησης και αυτή των εμπείρων προβλημάτων. Στο πλαίσιο αυτό το εργαστήριο ασχολείται με:

  • Παρουσίαση ενός προβλήματος και αναπαράστασης της γνώσης του.
  • Επίλυση του προβλήματος με αλγόριθμους αναζήτησης υλοποιημένους σε γλώσσα LISP
  • Σχεδιασμό και υλοποίηση εμπείρου συστήματος κανόνων σε περιβάλλον CLIPS για την επίλυση του ίδιου προβλήματος

Βιβλιογραφία
  1. Βλαχάβας, Ι., Κεφαλάς, Π., Βασιλειάδης, Ν., Ρεφανίδης, Ι., Κοκκοράς, Φ. & Σακελλαρίου, Η., Τεχνητή Νοημοσύνη, 3η έκδοση, Β. Γκιούρδας Εκδοτική, 2006.
  2. Russell, Stuart J., Norvig, Peter, Τεχνητή Νοημοσύνη : μια σύγχρονη προσέγγιση, Αθήνα : Κλειδάριθμος, 2007.
  3. Γεωργούλη, Κ., Εισαγωγή στην Τεχνητή Νοημοσύνη, Σημειώσεις του Μαθήματος, Αιγάλεω, 2004.
  4. T. Dean, J. Allen, Y. Allimonos, Artificial Intelligence, Theory and Practice,Benjamin/Cummings, 1995.
  5. J. Finlay, & A. Dix, An Introduction to Artificial Intelligence, UCL Press, 1996.
  6. P. Winston, Artificial Intelligence, Addison-Wesley, 1992.
  7. S. Russel and P. Norvig, “Artificial Intelligence: A Modern Approach”, 4rth ed., Prentice Hall, 2006.
  8. E. Rich and K. Knight, “Artificial Intelligence”, 2nd ed., McGraw-Hill, 1992.
  9. P.H. Winston, “Artificial Intelligence”, 3rd ed., Addison-Wesley, 1992.
  10. N. Nilsson, “Artificial Intelligence: A New Synthesis”, Morgan Kaufmann, 1998.
  11. R.J. Schalkoff, “Artificial Intelligence: An Engineering Approach”, McGraw-Hill, 1990.
  12. E. Charniak and D.M. Dermott, “Introduction to Artificial Intelligence”, Addison-Wesley, 1985.
  13. T.J. Ross, “Fuzzy Logic with Engineering Applications”, McGraw-Hill, 1995.
  14. S. Haykin, “Neural Networks: A Comprehensive Foundation”, MacMillan, 1994.
  15. D. Goldberg, “Genetic Algorithms in Search,Optimization and Machine Learning”, Addison-Wesley, 1989.
  16. “Building Expert Systems”, F. Hayes-Roth, D.A. Waterman and D.B. Lenat (Eds.), Addison-Wesley, 1983.
  17. Huhns, Michael N., Singh, Munindar P., Readings in Αgents, San Francisco, Calif : Morgan Kaufmann , c1998 .
  18. Bigus, Joseph P., Bigus, Jennifer Constructing intelligent agents with Java :a programmer’s guide to smarter applications, New York : Wiley, 1998.
  19. Bellifemine, Fabio Luigi, Caire, Giovanni, Greenwood, Dominic, Developing multi-agent systems with jade, Hoboken, NJ : John Wiley, 2007.

Internationalisation I18n