Μαθήματα

Τεχνητά Νευρωνικά Δίκτυα και εφαρμογές

Γενικά

Περιεχόμενα μαθήματος

• Βασικές Έννοιες
• Τεχνητά Νευρωνικά Δίκτυα
• Τα δίκτυα Perceptron και ADALINE
• Το Δίκτυο Multi-Layer Perceptron και ο Κανόνας Back-Propagation
• Αυτο-οργανούμενα δίκτυα (SOM)
• Δίκτυα Συναρτήσεων Βάσης Ακτινικού Τύπου (RBF)
• Χεμπιανά μοντέλα μάθησης
• Πραγματοποίηση Νερωνικών Δικτύων στο Matlab και σε άλλα λογισμικά
• Μάθηση και Γενίκευση
• Βαθιά Μάθηση (Deep Learning)
• Εφαρμογές Τεχνητών Νευρωνικών Δικτύων

Μαθησιακοί Στόχοι

Σκοπός του μαθήματος είναι να εισάγει τον φοιτητή στην έννοια των Τεχνητών Νευρωνικών Δικτύων και της Μηχανικής Μάθησης που είναι ο κύριος τομέας εφαρμογής τους. Να γνωρίσει τα διάφορα είδη τους, την δομή και τις εφαρμογές τους, καθώς και τα όρια στην επίδοσή τους. Η επιτυχής παρακολούθηση του μαθήματος έχει ως προσδοκώμενο αποτέλεσμα να καταστήσει τον φοιτητή/την φοιτήτρια ικανό/ικανή να μπορεί να χρησιμοποιήσει λογισμικά εξομοίωσης Νευρωνικών Δικτύων και να δημιουργεί εφαρμογές.

Γενικές Ικανότητες

Εφαρμογή της γνώσης στην πράξη, αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών, λήψη αποφάσεων, αυτόνομη εργασία, ομαδική εργασίες, εργασία σε διεθνές περιβάλλον, εργασία σε διεπιστημονικό περιβάλλον προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης.

Μέθοδοι Διδασκαλίας

Θεωρητική από έδρας διδασκαλία με συζήτηση και ενεργή συμμετοχή των φοιτητών και πραγματοποίηση των προγραμμάτων και των προσομοιώσεων στους υπολογιστές (Ασκήσεις Πράξης). Οι διαλέξεις του μαθήματος υποστηρίζονται από διαφάνειες παρουσίασης του συνόλου της εκπαιδευτικής ύλης, ενώ ο λευκός πίνακας χρησιμοποιείται: α) για την εμβάθυνση και την επίλυση αποριών, β) για την προαγωγή της ενεργούς συμμετοχής των φοιτητών στη βήμα-προς-βήμα επίλυση προβλημάτων.

Αξιολόγηση Φοιτητών

Ο τελικός βαθμός του μαθήματος διαμορφώνεται κατά 100% από τον βαθμό της τελικής εξέτασης. Υπό ορισμένες προϋποθέσεις δύναται η τελική εξέταση να αντικαθίσταται από μια εργασία του φοιτητή. Τα κριτήρια αξιολόγησης είναι γνωστά εξ αρχής και προσβάσιμα στους φοιτητές από την ηλεκτρονική σελίδα του μαθήματος. Η γραπτή τελική εξέταση περιλαμβάνει επίλυση προβλημάτων εφαρμογής των γνώσεων που αποκτήθηκαν καθώς και ερωτήσεις θεωρητικού περιεχομένου.

Συνιστώμενη Βιβλιογραφία

Συγγράμματα, μερικά εκ των οποίων διατίθενται μέσω του συστήματος ΕΥΔΟΞΟΣ
1. Νευρωνικά δίκτυα και μηχανική μάθηση. Haykin, Simon. Εκδόσεις Παπασωτηρίου, ISBN13: 9789607182647
2. Neural Network Design. Martin T. Hagan, Howard B. Demuth, Mark Hudson Beale, Orlando De Jesús. ISBN13: 9780971732117.
https://hagan.okstate.edu/NNDesign.pdf
3. Τεχνητά νευρωνικά δίκτυα. Κωνσταντίνου Διαμαντάρα. Εκδόσεις Κλειδάριθμος, ISBN : 978-960-461-080-8
4. Neural Network Toolbox (Matlab). Mark Hudson Beale, Martin T. Hagan, Howard B. Demuth.