Εφαρμογές Τεχνητής Νοημοσύνης

Εξάμηνο μαθήματος
2nd semester
Course category
Compulsory
Πιστωτικές Μονάδες
7,5
Διδάσκοντες

Σ. Κωνσταντόπουλος, Γ. Βούρος,  Η. Μαγκλογιάννης, Μ. Χαλκίδη, Χ. Ρεκατσίνας, Ο. Τελέλης, Μ. Φιλιππάκης

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

  • Φυσικές επιστήμες και τεχνητή νοημοσύνη: ένας νέος ορίζοντας
  • Εφαρμογές μηχανικής μάθησης σε δεδομένα γράφων
  • Συστήματα συστάσεων: βασικές προσεγγίσεις και νέες μετρικές αξιολόγησης αποτελεσμάτων
  • 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
  • Ανάλυση Χρονοσειρών, μοντέλα πρόβλεψης και Εφαρμογές
  • Software builds software: Αυτόματη σύνθεση λογισμικού
  • Τα χίλια πρόσωπα του Σημασιολογικού Ιστού: Semantic Querying, Enterprise Knowledge Graphs, Semantic Segmentation, Medical Subject Headings
  • Πολυπρακτορικές μέθοδοι βαθιάς ενισχυτικής μάθησης σε κρίσιμα προβλήματα. Παραδείγματα και παράγοντες επιλογής της κατάλληλης μεθόδου
  • Επεξηγησιμότητα, διαφάνεια και μεταφραστικότητα στην μηχανική μάθηση, και ιδιαιτέρως στην ενισχυτική μάθηση: Ορισμοί, παραδείγματα και μαθήματα από εφαρμογές
  • Εισαγωγή στην Άμεση Μηχανική Μάθηση (Online Machine Learning) με εφαρμογή σε online δημοπρασίες και automated trading

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

  • 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