 Εκτύπωση
 Κλείσιμο
|
Προβολή Στοιχείων Μαθήματος
| Τμήμα Μαθήματος: | Τμήμα Πληροφορικής |
|---|---|
| Κωδικός Μαθήματος: | ΕΠΛ 444 |
| Τίτλος Μαθήματος: | Συστήματα Υπολογιστικής Νοημοσύνης |
| Αριθμός Κατανεμόμενων Πιστωτικών Μονάδων (ECTS): | 7.5 |
| Επίπεδο Μαθήματος: | 1ος Κύκλος (Πτυχίο) |
| Έτος Σπουδών (κατά περίπτωση): | 3 |
| Εξάμηνο/Τρίμηνο όταν Προσφέρεται το Μάθημα: | Εαρινό Εξάμηνο |
| Όνομα Διδάσκοντος (-ων): | Χρ. Σχίζας / Χρ. Χριστοδούλου |
| Διαλέξεις/Εβδομάδα: | 2 (1.5 ώρες ανά διάλεξη) |
| Εργαστήρια/Εβδομάδα: | 1 (1.5 ώρες ανά διάλεξη) |
| Φροντιστήρια/Εβδομάδα: | 1 (1 ώρες ανά διάλεξη) |
| Σκοπός και Στόχοι του Μαθήματος: | Σφαιρική επισκόπηση της Υπολογιστικής Νοηµοσύνης και των εφαρμογών της στην επίλυση πραγματικών προβλημάτων σε ποικίλους τοµείς, όπως, π.χ. υποστήριξη λήψης αποφάσεων, κατάταξη, πρόγνωση, βελτιστοποίηση συστηµάτων και δηµιουργικός σχεδιασµός. Εισαγωγή στην υπολογιστική νευροεπιστήμη /νευροπληροφορική καθώς και στην γνωστική επιστήμη. |
| Μαθησιακά Αποτελέσματα του Μαθήματος: |
Μετά το πέρας του μαθήματος οι φοιτητές αναμένονται να είναι σε θέση: • να κατανοούν τις βασικές αρχές της υπολογιστικής νοημοσύνης • να μπορούν να σχεδιάσουν και να υλοποιήσουν γενετικούς και εξελικτικούς αλγόριθμους καθώς και ασαφή συστήματα προς επίλυση πρακτικών προβλημάτων • να αναγνωρίζουν τα πλεονεκτήματα των γενετικών και εξελικτικών αλγοριθμικών προσεγγίσεων για προβλήματα βελιτστοποίησης σε σύγκριση με παραδοσιακές μεθοδολογίες • να κατανοούν τις βασικές αρχές της γνωστικής επιστήμης όπως μυαλό, εγκέφαλος, μνήμη και συμπεριφορά καθώς και προσεγγίσεις μοντελοποίησης τους • να κατανοούν και να μπορούν να εξηγούν τις βασικές αρχές της επεξεργασίας πληροφοριών από τα νευρικά συστήματα • να αναγνωρίζουν την σημαντικότητα των υπολογιστικών νευρωνικών μοντέλων στην προσπάθεια κατανόησης του εγκεφάλου • να κατανοούν τα πιο σημαντικά βιοφυσικά μοντέλα νευρώνων και τους διαφορετικoύς βαθμούς περιγραφής και πολυπλοκότητας της υπολογιστικής νευρωνικής μοντελοποίησης από το επίπεδο του μονού νευρώνα στο επίπεδο των νευρωνικών δικτύων • να κατανοούν πώς σήματα που λαμβάνονται μέσω πειραμάτων μας βοηθούν να κατανοήσουμε την λειτουργικότητα των νευρώνων και συστημάτων στον εγκέφαλο και πώς στατιστικές προσεγγίσεις μας βοηθούν στο να αναλύσουμε τέτοιου είδους δεδομένα |
| Προαπαιτούμενα: | ΕΠΛ 211, ΕΠΛ 231 |
| Συναπαιτούμενα: | Δεν Εφαρμόζεται |
| Περιεχόμενο Μαθήματος: |
Εξελικτικός Υπολογισµός. Γενετικοί Αλγόριθµοι. Τεχνητά Νευρωνικά ∆ίκτυα. Ασαφή Συστήµατα. Τεχνητή Ζωή. Υπολογιστική Νευροεπιστήμη / Νευροπληροφορική· μοντέλα Hodgkin και Huxley και Integrate-and-Fire· Νευρωνικός Κώδικας· Μάθηση Hebbian και Συναπτική Πλαστικότητα· Εισαγωγή στην Γνωστική Επιστήμη. Ανάπτυξη και Υλοποίηση Συστηµάτων Υπολογιστικής Νοηµοσύνης. |
| Διδακτικές Μέθοδοι: | ∆ιαλέξεις (3 ώρες εβδοµαδιαίως), Φροντιστήριο και Εργαστήριο (1.5 ώρες εβδοµαδιαίως). |
| Απαιτούμενη Βιβλιογραφία: |
1. A. P. Engelbrecht, Computational Intelligence: An Introduction, John Wiley and Sons, 2nd Edition 2007. 2. R. C. Eberhart και Y. Shi, Computational Intelligence: Concepts to Implementations, Elsevier, 2007. 3. E. R. Kandel, Αναζητώντας τη Μνήμη, (Μετάφραση A. Καραμανίδης), Πανεπιστημιακές Εκδόσεις Κρήτης, 2008. 4. P. Dayan και L. Abbott, Theoretical Neuroscience: Computational and Mathematical Modelling of Neural Systems, MIT Press, 2001. |
| Μέθοδοι Αξιολόγησης και Κριτήρια: | Τελική εξέταση, ενδιάµεση εξέταση, κατ’ οίκον εργασία (εργαστηριακές ασκήσεις, επιπρόσθετες ασκήσεις, τελική µελέτη). |
| Γλώσσα Διδασκαλίας: | Ελληνικά |
| Τρόπος Παράδοσης: | Πρόσωπο με Πρόσωπο |
| Πρακτική Άσκηση: | Δεν Εφαρμόζεται |