Είσοδος

Τεχνητά Νευρωνικά Δίκτυα και Μηχανική Μάθηση

Γενικά στοιχεία

 

 
Περιγραφή

Στο πλαίσιο του μαθήματος παρουσιάζονται θέματα από την περιοχή της Υπολογιστικής Νοημοσύνης με έμφαση στις τεχνολογίες Μηχανικής Μάθησης.

Πιο συγκεκριμένα, καλύπτονται θέματα από την περιοχή των Νευρωνικών Δικτύων με αναφορά και σε άλλες τεχνικές από τον ευρύτερο χώρο της Υπολογιστικής Νοημοσύνης, όπως τα Ασαφή Συστήματα, οι Γενετικοί Αλγόριθμοι και οι υβριδικές προσεγγίσεις. Παρουσιάζονται μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, διαδικασίες μάθησης, δυναμικής συμπεριφοράς, σύγκλισης και ευστάθειας. Καλύπτονται επίσης θέματα όπως τα δίκτυα πρόσθιας τροφοδότησης και η μάθηση μέσω διόρθωσης σφάλματος, τα συσχετιστικά δίκτυα, τα πολυστρωματικά δίκτυα με ανατροφοδότηση, τα δίκτυα ανταγωνιστικής μάθησης, οι τοπικοί κανόνες μάθησης, οι μηχανές διανυσμάτων υποστήριξης και διάφοροι συνδυασμοί νευρωνικών δικτύων. Τέλος, μελετώνται υλοποιήσεις των νευρωνικών δικτύων και εφαρμογές τους. 

Οι διαλέξεις θα γίνονται κάθε Πέμπτη 12.45-15.00, Νέο Κτ. Ηλ. Αίθουσα 2 (ή Αμφιθέατρο 4).

Στο πλαίσιο του μαθήματος γίνεται Εργαστήριο, κατά το οποίο οι φοιτητές εξασκούνται σε βασικά εργαλεία ανάπτυξης συστημάτων μηχανικής μάθησης. Τα Εργαστήρια αυτά γίνονται στα PC Labs της ΣΗΜΜΥ ως εξής: 

- Δευτέρα στις 15:00 - 17:00 στην αίθουσα Α4 του PCLAB για τους φοιτητές του ΔΠΜΣ "Επιστήμη Δεδομένων και Μηχανική Μάθηση"

- Πέμπτη στις 10.45 - 12.30 στην αίθουσα Α2 του PCLAB για όλους τους φοιτητές/υ.δ. πλην του ΔΠΜΣ "Επιστήμη Δεδομένων και Μηχανική Μάθηση"

Τέλος, στο πλαίσιο του μαθήματος, οι σπουδαστές εκπονούν ομαδικές εργασίες την οποία επιλέγουν κατά τη διάρκεια του Εργαστηρίου του μαθήματος.

  

Ύλη

Θέματα τα οποία καλύπτονται:

  1. Μοντέλα και αρχιτεκτονικές νευρωνικών δικτύων, διαδικασίες μάθησης, δυναμική συμπεριφορά, σύγκλιση και ευστάθεια.

  2. Δίκτυα πρόσθιας τροφοδότησης και μάθηση μέσω διόρθωσης σφάλματος (πολυστρωματικό perceptron, αλγόριθμος backpropagation), συσχετιστικά δίκτυα (δίκτυα τύπου Hopfield), πολυστρωματικά δίκτυα με ανατροφοδότηση, δίκτυα ανταγωνιστικής μάθησης (χάρτες Kohonen), τοπικοί κανόνες μάθησης (δίκτυα RBF), μηχανές διανυσμάτων υποστήριξης (support vector machines), συνδυασμοί νευρωνικών δικτύων (ensembles).

  3. Ασαφή συστήματα.

  4. Εξελικτικός υπολογισμός (γενετικοί αλγόριθμοι).

  5. Υβριδικά συστήματα (ασαφή νευρωνικά συστήματα, εξελικτικά νευρωνικά δίκτυα).

  6. Εφαρμογές (ταξινόμηση/ομαδοποίηση/αναγνώριση προτύπων, επεξεργασία εικόνας, έλεγχος και ρομποτική, διάγνωση/πρόβλεψη, βελτιστοποίηση).


Βιβλιογραφία

  1. M.T. Hagan, H.B Demuth, M. H. Beale, O.De Jesús, Neural Network Design (2nd Edition), 2014.

  2. P. McCorduck, Machines who Think: A Personal Inquiry into the History and Prospects of Artificial Intelligence, (2nd Edition), A K Peters/CRC Press, 2004.

  3. F.O. Karray, C. De Silva, Soft Computing and Intelligent Systems Design Theory, Tools and Applications, Pearson Education (Addison-Wesley), 2004.
  4. J.-S. Jang, C.-T. Sun, E. Mizutani, Neuro-Fuzzy and Soft Computing A Computational Approach to Learning and Machine Intelligence, Prentice-Hall, 1997.

  5. S. Haykin, Neural Networks, A Comprehensive Foundation, Prentice-Hall, 1999.

  6. R. J. Schalkoff, Artificial Neural Networks, McGraw-Hill, 1997.

  7. M. Negnevitsky, Artificial Intelligence, A Guide to Intelligent Systems, Pearson Education (Addison-Wesley), 2002.

  8. T. Mitchell, Machine Learning, McGraw-Hill, 1997.

  9. C.-M. Bishop, Neural  Networks for Pattern Recognition, Oxford University Press, 1995.
  10. Σπύρος Τζαφέστας, Υπολογιστική Νοημοσύνη, Τόμος Α: Μεθοδολογίες, 2002.

  11. Κωνσταντίνος Διαμαντάρας, Τεχνητά Νευρωνικά Δίκτυα, Εκδόσεις Κλειδάριθμος, 2007.

  12. Σημειώσεις - Διαφάνειες διαλέξεων.


Εργαστήριο

Στο πλαίσιο του μαθήματος γίνεται Εργαστήριο, κατά το οποίο οι φοιτητές εξασκούνται σε βασικά εργαλεία ανάπτυξης συστημάτων μηχανικής μάθησης. Τα Εργαστήρια αυτά γίνονται στα PC Labs της ΣΗΜΜΥ ως εξής: 

- Δευτέρα στις 15:00 - 17:00 στην αίθουσα Α4 του PCLAB για τους φοιτητές του ΔΠΜΣ "Επιστήμη Δεδομένων και Μηχανική Μάθηση"

- Πέμπτη στις 10.45 - 12.30 στην αίθουσα Α2 του PCLAB για όλους τους φοιτητές/υ.δ. πλην του ΔΠΜΣ "Επιστήμη Δεδομένων και Μηχανική Μάθηση"

Εργασίες

Για την εργασία οι σπουδαστές θα δουλέψουν σε ομάδες των 3 ατόμων.  


Διευκρινίσεις - απορίες στο nnlab-grad@islab.ntua.gr
 
 

Mέθοδοι αξιολόγησης

Η τελική βαθμολογία υπολογίζεται από την εργασία που παραδίδεται στο τέλος του εξαμήνου.

 

Διδάσκοντες

Α.-Γ. Σταφυλοπάτης, Γ. Στάμου, Γ. Αλεξανδρίδης, Π. Τζούβελη, Γ. Σιόλας. 

 

Βοηθοί

Βάθη Ελένη, Γιαζιτζογλου Μιχαηλ, Ιωαννου Γεωργιος, Κουρης Παναγιωτης, Μανδαλιος Αλεξιος, Ντερβακος Εντμοντ Γρηγορης, Παπαγιαννης Αναστασιος, Παπακωνσταντινου Χαραλαμπος, Ταγαρης Αθανασιος, Τασακος Αθανασιος - Υποψήφιοι διδάκτορες του Εργαστηρίου Ευφυών Συστημάτων, Περιεχομένου και Αλληλεπίδρασης (ISLAB)


 
Συγχρηματοδότηση
από την Ε.Ε.