Θεμελιώδεις γνώσεις για την τεχνητή νοημοσύνη

Εξάμηνο μαθήματος
1ου εξαμήνου
Κατηγορία μαθήματος
Υποχρεωτικό
Πιστωτικές Μονάδες
6
Διδάσκοντες

Σ. Κωνσταντόπουλος, Μ. Φιλιππάκης, Α. Χαραλαμπίδης, Γ. Βούρος

Στοχος

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

  • Εξηγεί θεμελιώδεις έννοιες όπως: πράκτορας,  χώρος καταστάσεων, αναπαράσταση γνώσης και να τα συνδέει με πραγματικά προβλήματα.
  • Να έχει τις βασικές ικανότητες ώστε αποτιμά τη χρησιμότητα και αδυναμίες εναλλακτικών αλγορίθμων και τεχνικών.
  • Μοντελοποιεί προβλήματα ως προβλήματα αναζήτησης, επίλυσης περιορισμών και λογικής.
  • Να γνωρίζει  βασικές έννοιες, αρχές και αλγορίθμους λήψεως απόφασης (απλής ή σύνθετης) και μάθησης για δράση στον πραγματικό κόσμο
  • Να γνωρίζει τα μαθηματικά που απαιτούνται για την πλήρη και σε βάθος κατανόηση των μεθόδων Τεχνητής Νοημοσύνης.
  • Αυτό επιτυγχάνεται  μέσω της κριτικής θεώρησης των μεθόδων που διδάσκεται, την επίλυση ασκήσεων  και την υλοποίηση παραδειγματικών συστημάτων, με στόχο να κατανοεί, σχεδιάζει και κατασκευάζει αποδοτικές μεθόδους Τεχνητής Νοημοσύνης

Περιεχομενα

  • Πίνακες, πράξεις με πίνακες, ορίζουσες, ανάστροφος και αντίστροφος ενός πίνακα. Γραμμικές εξισώσεις, μέθοδοι επίλυσης γραμμικών συστημάτων, απαλοιφή Gauss, κανόνας του Cramer. χαρακτηριστικά μεγέθη, ιδιοτιμές και ιδιοδιανύσματα, διαγωνιοποίηση ενός πίνακα, μετασχηματισμοί ομοιότητας. Διανυσματικοί χώροι και υπόχωροι, πρόσθεση, πολλαπλασιασμός, εσωτερικό γινόμενο διανυσμάτων, γραμμικός συνδυασμός, μέτρο και απόσταση διανυσμάτων. Γραμμικές ανισότητες, γραμμικός προγραμματισμός.
  • Γραμμική-πολλαπλή γραμμική παλινδρόμηση, λογιστική παλινδρόμηση, αντίστροφη κανονική παλινδρόμηση (Probit regression), Παλινδρόμηση Κορυφογραμμής, Στατική/Δυναμική Αυτοπαλινδρόμηση και Φασματική Ανάλυση. 
  • Φασματική παλιδρόμηση, πολυμεταβλητή ανάλυση διακύμανσης (ANOVA-MANOVA). Διερευνητική ανάλυση παραγόντων. Εξόρυξη από βάση δεδομένων και προηγμένες τεχνικές πρόβλεψης. Πειραματικός σχεδιασμός. (Experimental design). Μοντελοποίηση πρόβλεψης βασισμένη σε παλινδρόμηση.
  • Γραμμικής παλινδρόμησης, Λογιστική παλινδρόμηση, Ridge regression, Ροή εργασίας με επίβλεψη και Αλγόριθμοι, Υποστηρικτικές μηχανές υποστήριξης, Εποπτευόμενη μάθηση, Μη εποπτευόμενη μάθηση.
  • Το περιβάλλον της γλώσσας R, Συντακτικό, Βιβλιοθήκες, Βασικές Δομές και Συναρτήσεις, Γραμμικής παλινδρόμησης, Λογιστική παλινδρόμηση, Γραμμική Ανάλυση Χρονοσειρών.
  • Λήψη πολύπλοκων αποφάσεων σε ακολουθιακά προβλήμτα: Βασικές έννοιες και  αρχές.
  • Βασικοί αλγόριθμοι υπολογισμού  πολιτικών και χρησιμοτήτων καταστάσεων.
  • Προτασιακή και κατηγορηματική λογική: Συντακτικό, κανόνας καλύψης (entailment), ερμηνείες και μοντέλα, ποσοδειξία.
  • Συμπερασμός και συλλογισμός: Κανόνας συμπερασμού της ανάλυσης (resolution), παραγωγή, αντικατάσταση, ενοποίηση, προς-τα-μπρος και προς-τα-πίσω αλυσίδα εκτέλεσης, υποθέσεις ανοιχτού και κλειστού κόσμου, μη-μονοτονικός συμπερασμός, predicate completion.
  • Η επαφή της ΤΝ με τον φυσικό κόσμο: PAC learning, Schaffer’s Law, bias in the data, κοινή λογική, νοηματικό περιβάλλον, ρητά και υπονοούμενα δεδομένα, explainable AI, controlable AI.

Εργαστηριακά μαθήματα

  • Εφαρμογές παλινδρόμησης σε Matlab (εργαστήριο)
  • Εφαρμογές Παλινδρόμησης σε γλώσσα R (εργαστήριο)

Ενδεικτικη βιβλιογραφια

  • Stuart Russel and Peter Norvig. Artificial Intelligenc­e: A Μodern Approach, Prentice Hall, 2nd edition (2003). http://aima.cs.berkeley.edu/. Το βιβλίο έχει εκδοθεί στα Ελληνικά από τις εκδόσεις Κλειδάριθμος με τον τίτλο «Τεχνητή Νοημοσύνη: Μια σύγχρονη προσέγγιση». http://aima.uom.gr/.
  • Melvin Fitting. First-Order Logic and Automated Theorem Proving. Springer, 1996.
  • Ben-Ari, Mordechai. Mathematical logic for computer science. Springer Science & Business Media, 2012.
  • Leslie Valiant, “A theory of the learnable”. Communications of the ACM 27. 1984.
  • Cullen Schaffer, “A conservation law for generalization performance”. In Proceedings of the 11th International Conference on Machine Learning (ICML ’94). 199