ΣΧΟΛΗ

ΠΟΛΥΤΕΧΝΙΚΗ

ΤΜΗΜΑ

ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ

ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ

Προπτυχιακό

ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ

ECE_ΑΚ813

ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ

8^ο

ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΙΙ

ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων

ΕΒΔΟΜΑΔΙΑΙΕΣ
ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ

ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ

Διαλέξεις

3

Εργαστηριακές Ασκήσεις

2

Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο 4.

5

5

ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ

Υποβάθρου , Γενικών Γνώσεων, Επιστημονικής Περιοχής, Ανάπτυξης Δεξιοτήτων

Επιστημονικής Περιοχής

ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:

Τεχνητή Νοημοσύνη Ι

ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:

Ελληνική

ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS

ΝΑΙ (στην Ελληνική)

ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL)

http://www.ece.upatras.gr/index.php/el/undergraduate/under-courses.html

Μαθησιακά Αποτελέσματα

Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

Συμβουλευτείτε το Παράρτημα Α

·     Περιγραφή του Επιπέδου των Μαθησιακών Αποτελεσμάτων για κάθε ένα κύκλο σπουδών σύμφωνα με Πλαίσιο Προσόντων του Ευρωπαϊκού Χώρου Ανώτατης Εκπαίδευσης

·     Περιγραφικοί Δείκτες Επιπέδων 6, 7 & 8 του Ευρωπαϊκού Πλαισίου Προσόντων Διά Βίου Μάθησης

και Παράρτημα Β

·     Περιληπτικός Οδηγός συγγραφής Μαθησιακών Αποτελεσμάτων

Το μάθημα επεκτείνει την ύλη του μαθήματος Τεχνητή Νοημοσύνη Ι σε τεχνολογίες και εφαρμογές αιχμής, όπως Answer  Set Programming (ASP), βαθιά μάθηση (deep learning), κβαντική μηχανική μάθηση, κλπ.

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

·         Κατανοούν κεντρικές έννοιες και τεχνικές σε Αναπαράσταση Γνώσης και Συμπερασμό (π.χ. μη-μονότονη λογική, αλλαγή πεποιθήσεων, συμπερασμός της δράσης, κλπ).

·         Αναπαριστά και να επιλύσει προβλήματα με ASP.

·         Εφαρμόζει μηχανική μάθηση βασισμένη σε συνελικτικά νευρωνικά δίκτυα.

·         Κατανοεί τις βασικές αρχές λειτουργίας της τεχνητής νοημοσύνης σε κβαντικούς υπολογιστές.

Γενικές Ικανότητες

Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.

Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

Προσαρμογή σε νέες καταστάσεις

Λήψη αποφάσεων

Αυτόνομη εργασία

Ομαδική εργασία

Εργασία σε διεθνές περιβάλλον

Εργασία σε διεπιστημονικό περιβάλλον

Παράγωγή νέων ερευνητικών ιδεών

Σχεδιασμός και διαχείριση έργων

Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα

Σεβασμός στο φυσικό περιβάλλον

Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου

Άσκηση κριτικής και αυτοκριτικής

Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

·         Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών.

·         Προσαρμογή σε νέες καταστάσεις

·         Λήψη αποφάσεων

·         Αναπαράσταση Γνώσης και Λογικός Συμπερασμός

• Μη-μονοτονικές λογικές (non-monotonic logics)
• Συμπερασμός της δράσης (Reasoning about Action)
• Αλλαγή Πεποιθήσεων (Belief Change)
• Σχεδιασμός (Planning)
• Answer Set Programming
• Τεχνολογίες Σημασιολογικού Ιστού
• Νευρωνικά δίκτυα
  • Peceptron, πολυεπίπεδο Perceptron.
  • Εκπαίδευση διόρθωσης λάθους.
  • Οπισθοδρομική διάδοση του σφάλματος.
  • Εισαγωγή στα βαθιά νευρωνικά δίκτυα. Ευστάθεια.
  • Συνελικτικά νευρωνικά δίκτυα
  • Σύγχρονες αρχιτεκτονικές νευρωνικών δικτύων για βαθιά μάθηση
  • Εφαρμογές βαθιάς μάθησης
• Κβαντική Τεχνητή Νοημοσύνη
  • Αρχές Κβαντικών Υπολογιστών
  • Επίλυση προβλημάτων με κβαντικούς υπολογιστές
  • Quantum Machine Learning

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

Δια ζώσης ή/και εξ αποστάσεως

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

Υποστήριξη Μαθησιακής διαδικασίας μέσω της ηλεκτρονικής πλατφόρμας e-class, και των εφαρμογών zoom και kahoot.

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ

Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας.

Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη & ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ.

Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης ώστε ο συνολικός φόρτος εργασίας σε επίπεδο εξαμήνου να αντιστοιχεί στα standards του ECTS

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Περιγραφή της διαδικασίας αξιολόγησης

Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική  ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες

Αναφέρονται  ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

1. Οι εργαστηριακές ασκήσεις αξιολογούνται με pass/fail. Οι φοιτητές πρέπει να περάσουν τουλάχιστον το 50% των εργαστηριακών ασκήσεων για να αποκτήσουν δικαίωμα εξέτασης στο μάθημα.

2. Οι φροντιστηριακές ασκήσεις αποτελούνται από ερωτήσεις κλειστού τύπου που υποβάλλονται στο eClass. Είναι μόνο για εξάσκηση των φοιτητών και δεν αξιολογούνται βαθμολογικά.

3. Γραπτή τελική εξέταση που καθορίζει τον βαθμό του μαθήματος.

-Προτεινόμενη Βιβλιογραφία :

-Συναφή επιστημονικά περιοδικά:

S. Russell, P. Norvig, "Τεχνητή Nοημοσύνη - Μια σύγχρονη προσέγγιση", 4η Αμερικανική Έκδοση, Κλειδάριθμος, 2021.

Ι. Βλαχάβας, κ.α., "Τεχνητή Nοημοσύνη", 4η Έκδοση, Πανεπιστήμιο Μακεδονίας, 2020.

M. Negnevitsky, "Τεχνητή Nοημοσύνη", 3η Έκδοση, Τζιόλα, 2017.

V. Lifschitz, "Answer Set Programming", Springer, 2019.

P. Wittek, "Quantum Machine Learning", Academic Press, 2014.