Ευφυή Συστήματα – Μεθοδολογίες Υπολογιστικής Νοημοσύνης και Εφαρμογές

Στόχος του μαθήματος είναι η κατανόηση της θεωρίας και των εφαρμογών των εξελικτικών αλγορίθμων, που αποτελούν σύγχρονα εργαλεία επίλυσης σύνθετων προβλημάτων βελτιστοποίησης. Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να: α) γνωρίζουν τις αρχές λειτουργίας παραδοσιακών εξελικτικών αλγορίθμων, όπως οι γενετικοί αλγόριθμοι (genetic algorithms), εξελικτικές στρατηγικές (evolutionary strategies) κ.ά., β) γνωρίζουν τους βασικούς μετα-ευρετικούς (meta heuristic) αλγορίθμους της εξελικτικής υπολογιστικής, όπως η βελτιστοποίηση σμήνους σωματιδίων (particles warm intelligence), η βελτιστοποίηση αποικίας μυρμηγκιών (an colony optimization) κ.ά., γ) μπορούν να υλοποιήσουν προγραμματιστικά τους διάφορους αλγορίθμους, δ) κατανοούν τις διαφορές μεταξύ των αλγορίθμων και να επιλέγουν το βέλτιστο για κάθε πρόβλημα αλγόριθμο και ε) αποκτήσουν ικανότητες σχεδίασης και επίλυσης πραγματικών προβλημάτων βελτιστοποίησης με τη χρήση τεχνικών της εξελικτικής υπολογιστικής.

Το μάθημα στοχεύει σε μία ισορροπημένη παρουσίαση της θεωρίας και των εφαρμογών. Ο στόχος είναι ο φοιτητής να διδαχθεί το σκεπτικό διαφόρων αλγορίθμων μηχανικής μάθησης, με μια εισαγωγικού επιπέδου μαθηματική ανάλυση και κατόπιν να εστιάσει στις εφαρμογές. Έτσι με την συμπλήρωση του μαθήματος ο φοιτητής θα είναι σε θέση να εφαρμόσει ένα μεγάλο αριθμό αλγορίθμων μηχανικής μάθησης σε πρακτικά προβλήματα.

Οι φοιτητές αποκτούν την ικανότητα να αναγνωρίζουν, αναλύουν, και να επεξεργάζονται βασικές παραμέτρους των σημάτων φωνής. Επιπλέον είναι σε θέση να αντιλαμβάνονται και να προτείνουν βασικούς τρόπους επεξεργασίας και ανάλυσης φωνής για συγκεκριμένα προβλήματα, π.χ. αναγνώριση φωνημάτων. Τέλος είναι σε θέση να αναγνωρίζουν τις βασικές ιδιαιτερότητες της φυσιολογίας της φωνής και της σύνδεσής της με τα παραπάνω τεχνικά χαρακτηριστικά.

Στόχος του μαθήματος είναι η εισαγωγή και μελέτη των διαφόρων μεθοδολογιών της ασαφούς λογικής και των ασαφών συστημάτων, καθώς και εφαρμογές τους σε προβλήματα μοντελοποίησης συστημάτων και ταξινόμησης/ομαδοποίησης δεδομένων. Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να: α) γνωρίζουν τις βασικές έννοιες  ασαφών συνόλων, βασικά θεωρήματα και τελεστές ανάλυσης ασαφών συνόλων, ασαφείς σχέσεις και τελεστές σύνθεσης ασαφών σχέσεων. β) γνωρίζουν τις βασικές αρχές ασαφούς λογικής, ασαφείς IF/THEN κανόνες, σχέσεις επαγωγής, συνθετικούς  κανόνες εξαγωγής συμπεράσματος, ασαφείς βάσεις κανόνων, συνθετική και επιμεριστική μέθοδος εξαγωγής συμπεράσματος. γ) γνωρίζουν την δομή των ασαφών συστημάτων, μεθόδους διαμερισμού του τμήματος υπόθεσης, μορφές ασαφοποιητών και από-ασαφοποιητών. δ) θα έχουν μελετήσει αναλυτικά και προγραμματιστικά τις βασικές μορφές ασαφών μοντέλων TSK καθώς και διαφόρους αλγορίθμους εκμάθησης ασαφών-νευρωνικών δικτύων. ε) έχουν αποκτήσει ικανότητες σχεδίασης και επίλυσης πραγματικών προβλημάτων, όπως η ασαφής μοντελοποίηση δυναμικών, η ανάπτυξη ασαφών ταξινομητών για την ταξινόμηση δεδομένων καθώς και η χρήση τεχνικών ασαφούς ομαδοποίησης δεδομένων.

Στόχος του μαθήματος είναι η εκμάθηση της έννοιας και του τρόπου λειτουργίας των αυτόνομων συστημάτων. Αρχικά γίνεται μία εισαγωγή στην έννοια της αυτονομίας και των συμπεριφορών, όπως και στους τρόπους αναπαράστασής τους (Stimulus-Response diagrams, FSAs κ.α.), αλλά και κωδικοποίησής και συνδυασμού τους (Motor Schema / Subsumption). Στην συνέχεια, εξετάζεται η δομή και ο τρόπος δημιουργίας των βασικών αρχιτεκτονικών αυτονομίας (Ιεραρχική, Αντιδραστική, Πίνακα και Υβριδικής), όπως και ο τρόπος με τον οποίο συμμετέχουν σε αυτές οι συμπεριφορές. Τέλος, γίνεται μία ανασκόπηση σε τεχνικές και αλγορίθμους που αποτελούν συμπεριφορές (ή τμήματα συμπεριφορών) και χρησιμοποιούνται ευρέως στον τομέα της ρομποτικής. Αυτές περιλαμβάνουν αλγορίθμους localization και χαρτογράφησης (SLAM), κατασκευής μονοπατιού (path planning), αυτόνομης κάλυψης και εξερεύνησης, όπως και τεχνικές συστημάτων πολλαπλών ρομπότ και κοινωνικών ρομπότ.

Το περιεχόμενο του μαθήματος περιλαμβάνει: Εισαγωγικά στη θεωρία εκτίμησης. Βασικά θέματα εκτίμησης παραμέτρων στατικών συστημάτων (γραμμικών και μη γραμμικών). Βασικά θέματα εκτίμησης καταστάσεων και παραμέτρων δυναμικών συστημάτων (γραμμικών και μη γραμμικών). Εξισώσεις διάδοσης και εκτίμησης. Φίλτρο Kalman και Εxtended Kalman filter.

Partition theorem και φίλτρα βασισμένα σε αυτό. Συστήματα πολλών μοντέλων. Φίλτρο Bayes και particle filter. Τελεστές για την δειγματοληψία (sampling), την επαναδειγματοληψία (resampling) και του importance factor. Ενδεικτικές εφαρμογές: Αναγνώριση υφής σε εικόνα και βίντεο. Structure from motion. Πρόβλεψη φορτίου. Mobile Robotics -SLAM (Simultaneous Localization and Mapping). Αναγνώριση δυναμικών συστημάτων, Ταξινόμηση εγκεφαλογραφημάτων, Αναγνώριση δραστηριότητας από βίντεο (action recognition).

Με το πέρας των διαλέξεων αναμένεται οι φοιτητές   α) να γνωρίζουν την βασική θεωρία και τους αλγορίθμους των παραπάνω θεμάτων, β) να αποκτήσουν ικανότητες σχεδίασης και επίλυσης πραγματικών προβλημάτων  εκτίμησης,  γ) να επιλέγουν τον κατάλληλο για κάθε πρόβλημα αλγόριθμο και δ) να μπορούν να υλοποιήσουν προγραμματιστικά τους αλγορίθμους.

Στόχος του μαθήματος είναι η εισαγωγή στις βασικές αρχές της Νευρο-επιστήμης. Η επιστημονική αυτή περιοχή γνωρίζει σημαντική άνθηση τα τελευταία χρόνια, και αποτελεί πεδίο σύζευξης μεταξύ της νευροφυσιολογίας και ανατομίας του κεντρικού συστήματος από την μεριά της ιατρικής επιστήμης και των μεθόδων μηχανικής μάθησης και ανάλυσης σημάτων από την πλευρά της υπολογιστικής υπολογιστικής. Με την ολοκλήρωση του μαθήματος οι φοιτητές/τριες αναμένεται να αποκτήσουν γνώσεις στα παρακάτω γνωστικά αντικείμενα: α) Ανατομία του κεντρικού νευρικού συστήματος και λειτουργική οργάνωση του εγκεφάλου, ιατρική απεικόνιση. β) Δυναμικές παθήσεις, όπως επιληψία και σκλήρυνση κατά πλάκας. γ) Προσεγγίσεις με διαταραχή στον εγκέφαλο και προκλητά δυναμικά. δ) Επεξεργασία και ανάλυση σημάτων από τον εγκέφαλο, συνδεσιμότητα και δίκτυα εγκεφάλου. ε) Διασύνδεση ανθρώπου-μηχανής και μελέτη του συναισθήματος μέσα από την εφαρμοσμένη νευροεπιστήμη.

Το μάθημα αποτελεί εισαγωγή στα υπολογιστικά συστήματα και την αλληλεπίδραση με το χρήστη. Σκοπός του μαθήματος είναι η ανάπτυξη δεξιοτήτων των διδασκομένων αναφορικά με την ανάλυση, το σχεδιασμό και την ανάπτυξη διεπαφών χρηστών για την υποστήριξη διαφόρων ειδών αλληλεπίδρασης, λαμβάνοντας υπόψη τις απαιτήσεις χρηστών. Με την ολοκλήρωση του μαθήματος, οι φοιτητές/τριες αναμένεται να μπορούν να: α) Αναγνωρίζουν τις διάφορες μεθοδολογίες σχεδιασμού διεπαφών χρηστών β) Αναλύουν τις διαθέσιμες μεθοδολογίες και τις αντίστοιχες τεχνικές αλληλεπίδρασης με τον υπολογιστή γ) Σχεδιάζουν μια διεπαφή χρήστη που να ανταποκρίνεται σε ειδικές απαιτήσεις χρηστών d) Μπορούν να προγραμματίζουν διάφορα είδη διεπαφών χρηστών e) Έχουν την ικανότητα να εφαρμόζουν διάφορες μεθοδολογίες για την αξιολόγηση των διεπαφών χρηστών καθώς και των αντίστοιχων τεχνολογιών αλληλεπίδρασης.

Το μάθημα εμβαθύνει στη χρήση των τεχνολογιών και την ανάπτυξη εφαρμογών Ιστού.  Αρχικά περιέχει μία εισαγωγή στην HTML και τη CSS καθώς και στις γλώσσες scripting πλευράς διακομιστή. Στη συνέχεια επικεντρώνεται στη χρήση της PHP για τη διαχείριση, δομών δεδομένων, επαναλήψεων, συναρτήσεων, αρχείων, συνόδων, μπισκότων και αντικειμένων. Αναλύεται η χρήση των Βάσεων Δεδομένων στις εφαρμογές Ιστού και χρησιμοποιείται η MySQL για τη δημιουργία Ιστοσελίδων που περιέχουν δεδομένα. Με τη χρήση της PHP και της MySQL αναπτύσσονται απλές εφαρμογές διαχείρισης περιεχομένου.

Ο στόχος του μαθήματος είναι να παρουσιάσει στο φοιτητή την έννοια του νέφους υπολογιστών και τις  τεχνολογίες λογισμικού που λειτουργούν πίσω από το νέφος και το καθιστούν ευέλικτο, αξιόπιστο και πως αυτό μπορεί να χρησιμοποιηθεί σε επιχειρηματικές δραστηριότητες, έξυπνα βιομηχανικά περιβάλλοντα και σε νεφο-κεντρικές εφαρμογές του διαδικτύου των πραγμάτων. Οι τεχνολογίες που παρουσιάζονται στο μάθημα αυτό είναι της εικονοποίησης (virtualization), των προσαρμοσμένων σε υπηρεσίες αρχιτεκτονικών  (Service –Oriented Architectures (SOA)), της υπολογιστικής πλέγματος (Grid Computing) και της υπολογιστικής των άκρων και ομίχλης (Edge/Fog Computing). Στη συνέχεια εξηγούνται η αρχιτεκτονική και τα στοιχεία υποδομής νέφους, όπως είναι ο Hypervisor, o εξυπηρετητής και το σύστημα αποθήκευσης δεδομένων, τo δημόσιο, ιδιωτικό και υβριδικό μοντέλο ανάπτυξης νέφους (Cloud deployment models) καθώς επίσης  και τα μοντέλα υπηρεσιών νέφους (Service – oriented architectures), IaaS, PaaS, SaaS, IDaaS, κ.α. Το μάθημα ολοκληρώνεται με την παρουσίαση των μαζικά επεκτάσιμων αρχιτεκτονικών της υπολογιστικής των άκρων/ομίχλης και τα μοντέλα προγραμματισμού και εκτέλεσης εφαρμογών διαδικτύου των πραγμάτων. Το μάθημα περιλαμβάνει και την παράλληλη εκπόνηση εργαστηριακών ασκήσεων μέσω των οποίων ο φοιτητής αποκτά βασικές δεξιότητες στην εγκατάσταση και διαχείριση ενός Linux εξυπηρετητή, στην δημιουργία ιδιωτικού νέφους υπολογιστών και  επιλεγμένων υπηρεσιών νέφους.

Το περιεχόμενο του μαθήματος περιλαμβάνει: Εισαγωγή στα τεχνητά νευρωνικά δίκτυα και εφαρμογές. Δομές τεχνητών νευρωνικών δικτύων. Το perceptron, νευρωνικά δίκτυα πολλών βαθμίδων, δίκτυα radial basis. Διαδικασίες εκπαίδευσης. Ο αλγόριθμος εκπαίδευσης backpropagation, ποιοτική συμπεριφορά και τροποποιήσεις. Ακολουθιακή και ομαδική εκπαίδευση. Προβλήματα εκπαίδευσης και μέθοδοι αντιμετώπισης αυτών. Διαδικασίες αποτίμησης εκμάθησης,. Σχεδίαση αρχιτεκτονικής νευρωνικών δικτύων. Δυναμικά νευρωνικά δίκτυα και μέθοδοι εκπαίδευσης τους. Πολλαπλά νευρωνικά δίκτυα. Deep learning και πιο συγκεκριμένα τα συνελικτικά νευρωνικά δίκτυα (CNN – Convolutional Neural Networks). Δομή των συνελικτικών νευρωνικών δικτύων.   Είδη ενδιάμεσων και τελικών στρωμάτων.   Τεχνικές pre-processing  και βελτιστοποίησης.

Με το πέρας των διαλέξεων αναμένεται οι φοιτητές   α) να γνωρίζουν την βασική θεωρία και τους αλγορίθμους των παραπάνω θεμάτων, β) να αποκτήσουν ικανότητες σχεδίασης και επίλυσης πραγματικών προβλημάτων ταξινόμησης (Classification Problems), ανάλυσης και πρόβλεψης χρονοσειρών (Time Series Analysis and Prediction)   και   προβλημάτων ομαδοποίησης (Clustering Problems) με χρήση Νευρωνικών Δικτύων,  γ) να επιλέγουν τον κατάλληλο για κάθε πρόβλημα αλγόριθμο και δ) να μπορούν να υλοποιήσουν προγραμματιστικά τους αλγορίθμους.