Εφαρμογές Τεχνητής Νοημοσύνης

Εξάμηνο μαθήματος
2ου εξαμήνου
Κατηγορία μαθήματος
Επιλογής
Πιστωτικές Μονάδες
7,5
Διδάσκοντες

Μ. Δαγιόγλου, Σ. Κωνσταντόπουλος, Η. Μαγκλογιάννης, Μ. Χαλκίδη

Στοχος

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / η φοιτήτρια θα είναι σε θέση να

  • Αναγνωρίζει ευκαιρίες, περιορισμούς και δυνατότητες εφαρμογής τεχνικών Τεχνητής Νοημοσύνης σε διάφορους τομείς της σύγχρονης ζωής.
  • Επισημαίνει την ιδιαιτερότητα των επιμέρους προβλημάτων, την επιλογή και την προσαρμογή σε αυτά των κατάλληλων τεχνικών
  • Σχεδιάζει την αποτίμηση των μεθόδων σε σύγκριση μεταξύ τους, να αναγνωρίζει τις δυνατότητες και περιορισμούς της κάθε μεθόδου/τεχνικής
  • Να επικοινωνεί ιδέες που αφορούν στην εφαρμογή τεχνικών Τεχνητής Νοημοσύνης με καθαρό, σαφή και τυπικό τρόπο.

Με στόχο να σχεδιάζει, κατασκευάζει και να αποτιμά  συστήματα Τεχνητής Νοημοσύνης για την επίλυση πραγματικών προβλημάτων, και να εξηγεί τη λειτουργία τους.

Περιεχομενα

  • Δομή των κοινωνικών δικτύων: Αναπάσταση δικτύου, δομή της κοινότητας σε δίκτυα, μετρικές σε γράφους (βαθμός, betweenness centrality, connected components), συντελεστής συσταδοποίησης (clustering coefficient). 
  • Εξαγωγή κοινοτήτων από γράφους: Εισαγωγή στις βασικές έννοιες της εξαγωγής κοινοτήτων από δεδομένα γράφων. Βασικές τεχνικές εξαγωγής κοινοτήτων από γράφους. 
  • Κωδικοποίηση Ιατρικής Πληροφορίας, Πρότυπα, Ψηφιακή Αναπαράσταση Βιοϊατρικών Σημάτων και Δεδομένων.
  • Αναπαράσταση Γνώσης στην Βιοϊατρική, Συστήματα Βιοϊατρικής με χαρακτηριστικά επίγνωσης πλαισίου, Επεξεργασία Βιοϊατρικών Σημάτων  και Δεδομένων για την εξαγωγή χαρακτηριστικών.
  • Συστήματα υποστήριξης της απόφασης στην Βιοϊατρική, Ανάλυση Βιοϊατρικών Εικόνων και Σημάτων, Χρήση βαθιάς μάθησης για χαρακτηρισμό ιατρικής  εικόνας, Μελέτες περίπτωσης.
  • Διαχείριση και επεξεργασία δεδομένων: transparent data source federation, αυτόματη βελτιστοποίηση πλάνων εκτέλεσης.
  • Αυτόματη σύνθεση λογισμικού.
  • Αλληλεπίδραση ανθρώπου - ρομπότ: Προδιαγραφές και απαιτήσεις στην ανάπτυξη εφαρμογών, μέθοδοι αξιολόγησης συστημάτων.
  • Συνεργασία ανθρώπου-ρομπότ: Μηχανική αντίληψη και κατανόηση ανθρώπινης συμπεριφοράς.
  • Συνεργασία ανθρώπου-ρομπότ: Ρομποτικά συστήματα λήψης αποφάσεων και κίνησης σε συνεργατικά περιβάλλοντα.

Επιπλέον, στον Eύδοξο αναρτώνται σε ηλεκτρονική μορφή άρθρα, οπτικοακουστικό υλικό διαλέξεων και διαδικτυακές διευθύνσεις για χρήσιμες πληροφορίες καθώς και ασκήσεις για την εξάσκηση των φοιτητών/τριών.

Παρουσιάζονται μελέτες περίπτωσης, παραδειγματικά προβλήματα και μέθοδοι επίλυσης αυτών κοκ.

Ενδεικτικη βιβλιογραφια

  • Yannis E. Ioannidis, “Query optimization”. ACM Computing Surveys 28(1), March 1996.
  • Vijayaraghavan Murali, Letao Qi, Swarat Chaudhuri, and Chris Jermaine, “Neural Sketch Learning for Conditional Program Generation”. https://arxiv.org/abs/1703.05698
  • Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets. Cam-bridge University Press. 2014 (2nd Edition).