Υπολογιστική Νοημοσύνη
|
Αυτό το άρθρο μπορεί να επεκταθεί ή να βελτιωθεί με κάποιο τρόπο ώστε να καλύπτεται το θέμα με πληρέστερο τρόπο. Πληροφορίες: Απουσιάζουν οι εργαστηριακές ώρες |
| Εξάμηνο | 8ο |
|---|---|
| Κωδικός | Η36Ε |
| ECTS | 3 |
| Διδακτικές Μονάδες | 3 |
| Ώρες Θεωρίας | 2 |
| Ώρες Ασκήσεων | 1 |
| Ώρες Εργαστηρίου | |
| Τομέας | Ηλεκτρονικής και Τεχνολογίας Συστημάτων Πληροφορικής |
| Διδάσκοντες | Μπούταλης Ιωάννης |
Συζήτηση | |
| Ενεργειακός | Ε |
|---|---|
| Ηλεκτρονικός | Y |
| Τηλεπικοινωνιακός | Ε |
Πίνακας περιεχομένων |
Περιγραφή
H θεματολογία του μαθήματος είναι : Yπολογιστική νοημοσύνη: Oρισμοί και εφαρμογές. Παράσταση, επίλυση προβλημάτων και τεχνικές αναζήτησης της λύσης (επιλυτής προβλήματος, τεχνικές αναζήτησης, αναζήτηση με δένδρα παιγνίων, γενικές τεχνικές επίλυσης προβλημάτων, τεχνικές αναζήτησης λύσης σύνθετων προβλημάτων, συστήματα παραγωγής και ελέγχου, προβλήματα των δένδρων έναντι προβλημάτων των γράφων, ευρετικές συναρτήσεις). Yπολογιστική λογική. Παράσταση γνώσης (στρατηγικές, δηλωτικά, διαδικαστικά παρά στασης της γνώσης, πλαίσια και κείμενα). Παράσταση γνώσης με άλλες λογικές. Eυφυής έλεγχος (ο αλγόριθμος του επιπέδου οργάνωσης, το επίπεδο συντονισμού, το επίπεδο εκτέλεσης). Συστήματα εμπειρογνωμόνων. Εισαγωγή στα τεχνητά νευρωνικά δίκτυα (νευρωνικοί υπολογισμοί, διαφορές βιολογικών και τεχνητών νευρωνικών δικτύων. Eφαρμογές των νευρωνικών υπολογιστών, συνειρμική μνήμη. H συνάρτηση μεταφοράς του νευρώνα. O τυπικός νευρώνας, μοντέλα προσαρμοστικών μονάδων, προσαρμοστικά μοντέλα ανάδρασης. Λειτουργία και τύποι νευρωνικών δικτύων, δίκτυα Hopfield, Hamming, Carpenter-Grossberg, Percepton ενός στρώματος και πολλών στρωμάτων). Γλώσσες προγραμματισμού Prolog, δομές βιβλιοθήκης, δυναμικές βάσεις δεδομένων, δομές εισόδου-εξόδου, παράθυρα.
Περιγραφή (Αγγλική)
- 4235H9 COMPUTATIONAL INTELLIGENCE
Computational Intelligence: Definitions and applications. Representation, problem solving and solution finding techniques (problem solver, search techniques, gamingtree searching, general problem solving techniques, complex problem solution search techniques, production and control systems, tree problems against graph problems, heuristic functions). Computational logic. Knowledge representation (strategies, knowledge representationprocedures, frameworks and texts). Knowledge representation using alternative logic. Smart control (organization level algorithm, coordination level algorithm, implementation level algorithm). Experts’ systems. Introduction to artificial neural networks (neural computations, differences between biological and artificial neural networks. Applications of neural computing associative memory. Transfer function of the neuron. A typical neuron, adaptive units models, adaptive feedback models. Function and types of neural networks, networks Hopfield, Hamming, CarpenterGrossberg, one and multi layer Percepton networks). Programming languages Prolog, library structures, dynamic databases, inputoutput structures, windows).
Απαιτούμενες Γνώσεις
|
|
Αυτή η ενότητα μπορεί να επεκταθεί ή να βελτιωθεί. Πληροφορίες: Χρήσιμες ή απαραίτητες γνώσεις για το μάθημα. Γνώσεις που αναμένεται να αποκτηθούν. Αναφορά σε άλλα σχετικά μαθήματα. |
Εργαστήρια
Δεν πραγματοποιούνται εργαστήρια σε αυτό το μάθημα.
Εργασίες
Δίνεται μια υποχρεωτική εργασία κατά τη διάρκεια του εξαμήνου απο την οποία εξαρτάται ο τελικός βαθμός. Η εργασία αυτή μπορεί να είναι τόσο προγραμματιστική όσο και βιβλιογραφική ανάλογα με το πιο θέμα, από τα προτεινόμενα, θα επιλέξει ο φοιτητής. Οι προγραμματιστικές εργασίες λόγω αυξημένης δυσκολίας βαθμολογούνται και με καλύτερο βαθμό.
Πρόοδοι
Δεν πραγματοποιούνται πρόοδοι σε αυτό το μάθημα.
Εξετάσεις και Βαθμολογία
Η τελική βαθμολογία υπολογίζεται κυρίως από το βαθμό της εργασίας που δίνεται αλλά και από την προφορική εξέταση σε ορισμένα βασικά θεωρητικά τμήματα του μαθήματος.
Συγγράμματα
- Υπολογιστική Νοημοσύνη και Εφαρμογές
- ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ
Υποστήριξη Μαθήματος
eClass: Το μάθημα δεν έχει εγγραφή στο eClass.
Επιπρόσθετο Υλικό
-
