Τεχνητή Νοημοσύνη


Κωδικός 3.4.3287.7
Εξάμηνο 6o
Ροή Λ - Λογισμικό Η/Υ
Κατηγορία Κατ' επιλογήν υποχρεωτικό
Ώρες Διδασκαλίας - Ώρες Εργαστηρίου 3 - 1
Διδάσκοντες Αθανάσιος Βουλόδημος, Γιώργος Στάμου, Παρασκευή Τζούβελη (Ε.ΔΙ.Π.), Διδάσκων ΠΔ 407/80 ή ΑΥ

Περιγραφή

Μέρος 1. Εισαγωγή Ορισμοί Τεχνητής Νοημοσύνης, Ιστορικά στοιχεία (Θεμέλια Τεχνητής Νοημοσύνης, Βασικοί σταθμοί στην εξέλιξη της Τεχνητής Νοημοσύνης), Επίλυση Προβλημάτων με Τεχνητή Νοημοσύνη, Μοντέλα ευφυών δραστών (απλοί ανακλαστικοί δράστες, μοντελοποίηση κόσμου, αναπαράσταση κανόνων, προσαρμοζόμενοι δράστες), Υπολογιστική Νοημοσύνη, Εφαρμογές Τεχνητής Νοημοσύνης.

Μέρος 2. Ευρετικοί αλγόριθμοι Περιγραφή Προβλημάτων σε Χώρο Καταστάσεων, Αλγόριθμοι Αναζήτησης Λύσης, Αλγόριθμοι Τυφλής Αναζήτησης (Αναζήτηση Πρώτα σε Βάθος, Αναζήτηση Πρώτα σε Πλάτος, Αναζήτηση Επαναληπτικής Εκβάθυνσης, Αναζήτησης Διπλής Κατεύθυνσης), Αλγόριθμοι Ευρετικής Αναζήτησης (Ευρετικοί Μηχανισμοί, Αλγόριθμοι Αναρρίχησης Λόφων, Προσομοιούμενη Ανόπτηση, Αναζήτηση με Απαγορευμένες Καταστάσεις, Αναζήτηση Πρώτα στο Καλύτερο, Αλγόριθμος Α*), Αλγόριθμοι για παίγνια (Αλγόριθμος Minimax, Αλγόριθμος AlphaBeta), Εξελικτικός υπολογισμός, Γενετικοί αλγόριθμοι.

Μέρος 3. Συμβολική Τεχνητή Νοημοσύνη Αναπαράσταση Γνώσης και Αυτόματη Συλλογιστική, Είδη Αυτόματης Συλλογιστικής (Συμπερασματική, Επαγωγική, Απαγωγική), Αναπαράσταση Γνώσης σε Προτασιακή Λογική (Σύνταξη, Σημασιολογία, Ερμηνεία, Ικανοποιησιμότητα, Μοντέλα Γνώσης, Κατηγορηματική και Υπονοούμενη Γνώση, Λογική Συμπερασματολογία, Αλγόριθμοι Συλλογιστικής, SAT solvers, Resolution), Αναπαράσταση Γνώσης σε Λογική Πρώτης Τάξης (Διαχείριση Μεταβλητών και Ποσοδεικτών, Αλγόριθμος Ανάλυσης για Λογική Πρώτης Τάξης, Δισεπιλυσιμότητα), Λογικός Προγραμματισμός και Μη-Μονότονες Λογικές (Λογική Horn, Ανάλυση SLD, Γεγονότα και Κανόνες, η Γλώσσα PROLOG, Άρνηση σαν Αποτυχία, Συστήματα Παραγωγής, Έμπειρα Συστήματα), Δομημένες Αναπαραστάσεις Γνώσης (Αντικείμενα, Πλαίσια, Σημασιολογικά Δίκτυα, Περιγραφικές Λογικές, Οντολογίες και Γράφοι Γνώσης), Προβλήματα Διάγνωσης, Ερμηνείας και Σχεδιασμού.

Μέρος 4. Αβεβαιότητα και Μηχανική Μάθηση Διαχείριση Αβεβαιότητας (Θεωρία Πιθανοτήτων, Κανόνας του Bayes, Δίκτυα Πίστης, Ευλογοφάνεια, Θεωρία Dempster-Shafer), Ασαφής Λογική (Ασαφή Σύνολα, Συναρτήσεις Συμμετοχής, Ασαφείς Διαμερίσεις, Ασαφή Συστήματα), Προσαρμοζόμενοι Δράστες (Προβλήματα Μάθησης, Θεωρία Μάθησης, PAC learning), Επιβλεπόμενη Μάθηση (Ταξινόμηση, Ταξινομητές Bayes, Perceptrons, Μηχανές Διανυσμάτων Υποστήριξης (SVM), Πυρήνες, Δένδρα αποφάσεων, Μη-Γραμμική Διαχωρισιμότητα, Νευρωνικά Δίκτυα, Βαθιά Μάθηση), Μη-επιβλεπόμενη Μάθηση (Συσταδοποίηση, Αλγόριθμος k-μέσων, Ιεραρχική ταξινόμηση, Ασαφής Συσταδοποίηση), Ενισχυτική μάθηση.

Μέρος 5. Σύγχρονες Εφαρμογές και Κοινωνικές Επιπτώσεις Τεχνητής Νοημοσύνης Συστήματα αποφάσεων και συστάσεων και Τεχνητή Νοημοσύνη, Αυτόνομες Μηχανές, Τεχνητή Νοημοσύνη και Δημιουργικά Συστήματα, Τεχνητή Νοημοσύνη και Ηθική, Φαινόμενο “μαύρου κουτιού”, Ερμηνευσιμότητα Συστημάτων Τεχνητής Νοημοσύνης.

Αναλυτικές ασκήσεις και εργαστηριακή εξάσκηση στα παραπάνω αντικείμενα (Python και σχετικές βιβλιοθήκες).