Παρουσίαση/Προβολή
(P1-5030) - ΓΕΩΡΓΟΥΛΗ ΚΑΤΕΡΙΝΑ, ΣΑΜΑΡΑΚΟΥ ΜΑΡΙΑ
Περιγραφή Μαθήματος
Στο πλαίσιο της θεωρίας του μαθήματος διδάσκονται τα παρακάτω: Ιστορική Αναδρομή, Βασικές έννοιες, Αναπαράσταση γνώσης, Επίλυση Προβλημάτων, Τυφλοί Αλγόριθμοι αναζήτησης, Ευριστικοί Αλγόριθμοι αναζήτησης, Συλλογιστική, Συστήματα Παραγωγής, Τεχνικές εξαγωγής συμπερασμάτων και Έμπειρα Συστήματα, Μάθηση Μηχανής, Δένδρα Απόφασης, Νευρωνικά Δίκτυα, Γενετικοί Αλγόριθμοι, Ασαφή Συστήματα, Νοήμονες Πράκτορες.
Το εργαστηριακό μέρος συνεργάζεται απόλυτα με το θεωρητικό και στοχεύει στην κατανόηση εκ μέρους των φοιτητών θεωρητικών εννοιών όπως περιγραφή του κόσμου του προβλήματος, επίλυση προβλήματος, αλγόριθμοι αναζήτησης, αναπαράσταση γνώσης, κανόνες παραγωγής και έμπειρα συστήματα και την εξάσκησή τους στην επίλυση προβλημάτων χρησιμοποιώντες όλες τις παραπάνω γνώσεις.
Το μάθημα είναι υποχρεωτικό και διδάσκεται στο 5ο εξάμηνο του προγράμματος σπουδών του Τμήματος Μηχανικών Πληροφορικής & Υπολογιστών του Πανεπιστημίου Δυτικής Αττικής.
Ακαδημαϊκό Ημερολόγιο
Καθηγητές μαθήματος:
Κατερίνα Γεωργούλη, Μαρία Σαμαράκου
Παναγιώτα Τσελέντη, Κων. Κυριαζόπουλος
Ημερομηνία δημιουργίας
Τετάρτη 8 Οκτωβρίου 2014
-
Περίγραμμα
Περιγραφή Διεξαγωγής Εργαστηρίου ΤΝ
Μαθησιακοί στόχοι
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
Προαπαιτούμενα δεν υφίστανται.
Το εργαστήριο του μαθήματος της Τεχνητής Νοημοσύνης δίνει την ευκαιρία στους φοιτητές να κατανοήσουν την επίλυση προβλημάτων μέσα από την υλοποίηση αλγορίθμων επίλυσης και την κατασκευή εμπείρων συστημάτων.
Το εργαστήριο αποτελείται από δυο μέρη:
Στο 1ο Μέρος επιδιώκεται:
- Η κατανόηση της συναρτησιακής γλώσσας common lisp που θεωρείται κατάλληλη για την ανάπτυξη αλγόριθμων αναζήτησης στο χώρο της ΤΝ.
- Η κατανόηση του πηγαίου κώδικα lisp που υλοποιεί τον γενικό αλγόριθμο αναζήτησης.
- Η γενίκευση της χρήσης κώδικα στην επίλυση οποιουδήποτε προβλήματος που μπορεί να περιγραφεί με χώρο καταστάσεων.
- Η προσαρμογή του κώδικα ώστε να υλοποιηθούν γνωστοί τυφλοί και ευριστικοί αλγόριθμοι επίλυσης προβλημάτων.
Στο 2ο Μέρος επιδιώκεται:
- Η κατανόηση του περιβάλλοντος ανάπτυξης εμπείρων συστημάτων CLIPS.
- Η κατανόηση της αλυσιδωτής εκτέλεσης των κανόνων κατά την επίλυση απλών προβλημάτων.
- Η ικανότητα αναπαράστασης της γνώσης ενός προβλήματος με κανόνες και επίλυσής του στο περιβάλλον CLIPS.
Αναλυτικότερα το εργαστήριο περιλαμβάνει την εκπόνηση δύο εργασιών, μία στο τέλος κάθε μέρους:
Εργασία 1ου Μέρους: Τεκμηρίωση εργασίας, μοντελοποίηση προβλήματος εργαστηρίου για επίλυση με χώρο καταστάσεων, κωδικοποίηση τελεστών μετάβασης προβλήματος σε Common LISP, προσαρμογή κώδικα της Πρώτα σε Βάθος Αναζήτησης (DFS) στον κόσμο του προβλήματος, προσθήκη δυνατοτήτων επίλυσης με την Πρώτα σε Πλάτος Αναζήτηση (BFS) και ολοκλήρωση με την προσθήκη ευριστικών μεθόδων αναζήτησης και εξαντλητικών ελέγχων ορθότητας.
Αξιολόγηση 1ου Μέρους: Μέσω άσκησης ερωτήσεων πολλαπλών επιλογών. Κατά περίπτωση εξέταση εργασιών, ιδίως σε περιπτώσεις πολυπληθών ομάδων, ή εργασιών φοιτητών χωρίς επαρκείς παρουσίες.
Εργασία 2ου Μέρους: Τεκμηρίωση εργασίας, αναπαράσταση της υπάρχουσας γνώσης για το πρόβλημα κατάλληλη για επίλυση από Έμπειρο Σύστημα - ΕΣ (γεγονότα, κανόνες), ανάπτυξη ΕΣ για την επίλυση του προβλήματος, εξαντλητικοί έλεγχοι ορθότητας.
Αξιολόγηση 2ου Μέρους: Μέσω άσκησης ερωτήσεων πολλαπλών επιλογών. Κατά περίπτωση εξέταση εργασιών, ιδίως σε περιπτώσεις πολυπληθών ομάδων, ή εργασιών φοιτητών χωρίς επαρκείς παρουσίες.
Παρακολούθηση εργαστηρίου:
Θεωρείται ότι η παρακολούθηση του εργαστηριακού μέρους του μαθήματος της Τεχνητής Νοημοσύνης είναι απαραίτητη για την επιτυχή ολοκλήρωσή της. Για να μπορέσει ένας φοιτητής να συμμετάσχει στην αξιολόγηση 1ου και 2ου μέρους θα πρέπει να έχει παρακολουθήσει τουλάχιστον το 80% των πραγματοποιηθέντων μαθημάτων εκάστου μέρους. Σε διαφορετική περίπτωση έχει δικαίωμα να παραδώσει μόνο εργασία επί της οποίας θα εξεταστεί προφορικά χωρίς να πάρει μέρος στην άσκηση αξιολόγησης.
Ο τελικός βαθμός του εργαστηριακού μέρους προκύπτει από τη συνολική επίδοση σε :
Εργασία 1ου Μέρους (30%)
Αξιολόγηση 1ου Μέρους (15% )
Εργασία 2ου Μέρους (30%)
Αξιολόγηση 2ου Μέρους (15% )
Προφορικός βαθμός από τη συμμετοχή κατά την ώρα του μαθήματος (10% )
Από τα παραπάνω προκύπτει ότι κάποιος φοιτητής που θα παραδώσει μόνο εργασίες χωρίς επαρκείς παρουσίες ώστε να πάρει προφορικό βαθμό και μέρος στις αξιολογήσεις, μπορεί να πάρει βαθμό εργαστηριακού μέρους το μέγιστο 6 στα 10.
Ο βαθμός του εργαστηρίου συμμετέχει κατά 40% στο βαθμό του μαθήματος της ΤΝ. Για παράδειγμα, αν κάποιος πάρει 10 στο εργαστήριο και έχει πάρει 5 στις εξετάσεις της θεωρίας, ο τελικός βαθμός του θα είναι : τελικός βαθμός = 5.0*60% + 10*40% = 3 + 4 = 7
Επιπλέον πληροφορίες:
- Τις εργασίες θα τις παραδίδετε ή ατομικά ή σε ομάδες. Κάθε ομάδα μπορεί να έχει το πολύ 2 άτομα και κατ’ εξαίρεση 3 άτομα, εάν απαιτείται από τη φύση της εργασίας.
- Οι εργασίες θα παραδίδονται ηλεκτρονικά μέσω της πλατφόρμας Open eClass. Οι εργασίες μπορεί να ζητηθεί να παραδοθούν και σε έντυπη μορφή στη περίπτωση που εξεταστούν προφορικά.
- Την εργασία μιας ομάδας την αναρτά μόνο ένα από τα μέλη της, αναφέροντας υποχρεωτικά τα ονόματα όλων των μελών και στα σχόλια της ανάρτησης.
- Καμία εργασία μετά το πέρας της προθεσμίας παράδοσης δεν θα βαθμολογείται.
- Οι αξιολογήσεις θα γίνονται μέσω του εργαλείου Ασκήσεις της πλατφόρμας Open eClass.
- Όλο το απαραίτητο υλικό για το μάθημα θα είναι διαθέσιμο στην ιστοσελίδα του μαθήματος.
- Όλες οι γενικές ανακοινώσεις θα δίνονται μέσω του εργαλείου των ανακοινώσεων.
- Όλες οι απορίες που αφορούν τις εκπαιδευτικές δραστηριότητες θα κατατίθενται στις περιοχές συζητήσεων και θα απαντώνται από όποιο μέλος της κοινότητας μπορεί να βοηθήσει.
- Προσωπικά θέματα θα επιλύονται μόνο μέσα στο εργαστήριο ή στις ώρες υποδοχής φοιτητών.
- Ηλεκτρονικά μηνύματα προς τους καθηγητές θα αποστέλλονται μόνο σε ιδιαίτερα επείγουσες περιπτώσεις και αποκλειστικά μέσω του εργαλείου των μηνυμάτων .
Βιβλιογραφία
Βλαχάβας, Ι., Κεφαλάς, Π., Βασιλειάδης, Ν., Ρεφανίδης, Ι., Κοκκοράς, Φ. & Σακελλαρίου, Η., Τεχνητή Νοημοσύνη, 3η έκδοση,Εταιρία Αξιοποίησης και Διαχείρισης Περιουσίας του Πανεπιστήμιου Μακεδονίας, 2011.
Russell, Stuart J., Norvig, Peter, Τεχνητή Nοημοσύνη: μια σύγχρονη προσέγγιση, Αθήνα : Κλειδάριθμος, 2007.
Negnevitsky, Μ., Artificial Intelligence: a guide to intelligent systems, Pearson Education, 2005.
Γεωργούλη, Κ., Τεχνητή Νοημοσύνη, e-book, Κάλλιπος, 2016.
T. Dean, J. Allen, Y. Allimonos, Artificial Intelligence, Theory and Practice, Benjamin/Cummings, 1995.
J. Finlay, & A. Dix, An Introduction to Artificial Intelligence, UCL Press, 1996.
P. Winston, Artificial Intelligence, Addison-Wesley, 1992.S. Russel and P. Norvig, “Artificial Intelligence: A Modern Approach”, 4rth ed., Prentice Hall, 2006.
E. Rich and K. Knight, “Artificial Intelligence”, 2nd ed., McGraw-Hill, 1992.
P.H. Winston, “Artificial Intelligence”, 3rd ed., Addison-Wesley, 1992.
N. Nilsson, “Artificial Intelligence: A New Synthesis”, Morgan Kaufmann, 1998.
R.J. Schalkoff, “Artificial Intelligence:An Engineering Approach”, McGraw-Hill, 1990.
E. Charniak and D.M. Dermott, “Introduction to Artificial Intelligence”, Addison-Wesley, 1985.
T.J. Ross, “Fuzzy Logic with Engineering Applications”,McGraw-Hill, 1995.
S. Haykin, “Neural Networks: A Comprehensive Foundation”, MacMillan, 1994.
D. Goldberg, “Genetic Algorithms in Search,Optimization and Machine Learning”, Addison-Wesley, 1989.
“Building Expert Systems”, F. Hayes-Roth, D.A. Waterman and D.B. Lenat (Eds.), Addison-Wesley, 1983.
Huhns,Michael N., Singh, Munindar P., Readings in agents, San Francisco, Calif : Morgan
Kaufmann , c1998 .Bigus, Joseph P., Bigus, Jennifer Constructing intelligent agents with Java :a
programmer's guide to smarter applications, New York : Wiley, 1998.Bellifemine, Fabio Luigi, Caire, Giovanni, Greenwood, Dominic, Developing multi-agent
systems with jade, Hoboken, NJ : John Wiley, 2007.Πηγές στο Διαδίκτυο
- The Alan Turing homepage: http://www.turing.org.uk/index.html
- Σελίδες ΤΝ στο διαδίκτυο: http://aima.cs.berkeley.edu/ai.html
- Παιχνίδια νοημοσύνης στο διαδίκτυο: http://www.20q.net/
- Περιβάλλον ανάπτυξης Συστημάτων Κανόνων με Java: http://www.drools.org/
- Παρουσίαση δημιουργίας δένδρων απόφασης με τον ID3 αλγόριθμο: http://dtrees.cs.teiath.gr:10000/
- Ετήσιος διαγωνισμός για το τεστ του Turing.: http://www.loebner.net/Prizef/loebner-prize.html
- Μια προσπάθεια μοντελοποίησης του εγκεφάλου και λειτουργικής προσομοίωσης του: https://www.humanbrainproject.eu/el
Πηγές στη βιβλιοθήκη του ιδρύματος.
- Harnish, Robert M., Minds, brains, computers: an historical introduction to the foundations of cognitive science, Malden, Mass. : Blackwell Publishers , 2002 .
- Δουκίδης Γ. Έμπειρα συστήματα τεχνητή νοημοσύνη και lisp. Ι Σιδέρης, 1992.
- Κεραυνού Ε. Τεχνητή Νοημοσύνη και Έμπειρα Συστήματα. ΕΑΠ 2000.
- Haykin, S. Νευρωνικά Δίκτυα και Μηχανική Μάθηση. Παπασωτηρίου 2010.
- Αργυράκης, Π. Νευρωνικά Δίκτυα και Εφαρμογές. ΕΑΠ, 2001.
- Λυκοθανάσης, Σ. Γενετικοί Αλγόριθμοι και Εφαρμογές. ΕΑΠ, 2001.