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.
Επιπλέον το μάθημα αποσκοπεί στις ακόλουθες γενικές ικανότητες των φοιτητών:
- Ικανότητα οργάνωσης και σχεδιασμού εργασίας και διαχείρισης του χρόνου
- Ικανότητα τεκμηριωμένης επικοινωνίας (προφορικής και γραπτής)
- Ικανότητα επίλυσης προβλημάτων
- Ικανότητα ανάπτυξης κριτικής σκέψης και ικανότητα για κριτικές προσεγγίσεις
- Ικανότητα για ομαδική εργασία
- Ικανότητα διεπιστημονικών προσεγγίσεων
- Ικανότητα εφαρμογής των θεωρητικών γνώσεων στην πράξη
- Ικανότητα για έρευνα
- Ικανότητα προσαρμογής των μεθόδων και τεχνικών σε νέες καταστάσεις και συνθήκες
- Ικανότητα για δημιουργία νέων ιδεών – Δημιουργικότητα
Περιεχομενα
- Εφαρμογές μηχανικής μάθησης δεδομένα γράφων (machine learning on graph data). Αναπαράσταση γράφου, μηχανική χαρακτηριστικών (feature engineering), εξαγωγή κοινοτήτων από γράφους
- Συστήματα συστάσεων (recommender systems): βασικές προσεγγίσεις και νέες μετρικές αξιολόγησης αποτελεσμάτων
- 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
- Εφαρμογές τεχνολογιών Σημασιολογικού Ιστού [Applications of Semantic Web technologies]
- Αυτόματη σύνθεση λογισμικού [Automated software synthesis]
- Εφαρμογές ενισχυτικής μάθησης και μιμητικής μάθησης στη διαχείριση κυκλοφορίας
- Επεξηγησιμότητα και ερμηνευσιμότητα μεθόδων ενισχυτικής μάθησης σε κρίσιμα προβλήματα
- Τεχνητή Νοημοσύνη στις φυσικές επιστήμες
Ενδεικτικη βιβλιογραφια
- Papadopoulos G. et al. Automating the Resolution of Flight Conflicts: Deep Reinforcement Learning in Service of Air Traffic Controllers. PAIS@ECAI 2022: 72-85
- Kravaris, T., Lentzos, K., Santipantakis, G. et al. Explaining deep reinforcement learning decisions in complex multiagent settings: towards enabling automation in air traffic flow management. Appl Intell 53, 4063–4098 (2023). https://doi.org/10.1007/s10489-022-03605-1
- Vouros G. Explainable Deep Reinforcement Learning: State of the Art and Challenges, 2022, ACM Comp. Surv. https://doi.org/10.1145/352744
- A. Blum, V. Kumar, A. Rudra, F. Wu. Online Learning for Online Auctions. Theoretical Computer Science 324: 137- 146 (2004).
- S. Arora, E. Hazan, S. Kale. The Multiplicative Weights Update Method: a Meta-Algorithm and Applications. Theory of Computing 8(6): 121 - 164 (2012)
- P. Auer, N. Cesa-Bianchi, Y. Freund, R. E. Schapire. The Nonstochastic Multiarmed Bandit Problem. SIAM Journal on Computing 32(1): 48– 77 (2002).
- Rajeev Alur, Rastislav Bodik, et al., “Syntax-Guided Synthesis”. 2013.
- Vijayaraghavan Murali, Letao Qi, Swarat Chaudhuri, Chris Jermaine, “Neural Sketch Learning for Conditional Program Generation”. arxiv:1703.05698
- Fei Wang, James Decker, et al. “Backpropagation with Callbacks: Foundations for Efficient and Expressive Differentiable Programming”. NIPS 2018.
- ime series analysis and modeling to Forecast, a survey, https://arxiv.org/pdf/2104.00164.pdf
- Jure Leskovec, Anand Rajaraman, Jeff Ullman. Mining of Massive Datasets. 2014, Cambridge University Press
- Optimization of Multi-stakeholder Recommender Systems for Diversity and Coverage, AIAI2021 (https://link.springer.com/chapter/10.1007/978-3-030-79150-6_55)
- Data mining for predicting gas diffusivity in zeolitic-imidazolate frameworks (ZIFs), DOI:10.1039/D2TA02624D
- A data-driven Bayesian optimisation framework for the design and stacking sequence selection of increased notched strength laminates, DOI: https://doi.org/10.1016/j.compositesb.2021.109347
- AI and Medicine by Mike Barlow Publisher(s): O'Reilly Media, Inc. ISBN: 9781492048954
- Machine Learning and AI for Healthcare Big Data for Improved Health Outcomes Authors: Panesar, Arjun APRESS ISBN 978-1-4842-3799-1
