Τεχνητή Νοημοσύνη και Εφαρμογές στο Διαδίκτυο των Πραγμάτων

Course ID
ΠΜΣ07
Κατεύθυνση
Εξάμηνο
Εαρινό
Τύπος
Υποχρεωτικό 1ης κατεύθ.

Μαθησιακά Αποτελέσματα

Το μάθημα αποσκοπεί στην εξοικείωση των φοιτητών με θεμελιώδεις έννοιες της τεχνητής νοημοσύνης και μηχανικής μάθησης καθώς και την πρακτική εφαρμογή τους στο διαδίκτυο των πραγμάτων.

Στόχοι του μαθήματος περιλαμβάνουν:

  • Την απόκτηση ή τον εμπλουτισμό γνώσεων σχετικά με τη θεωρία και την εφαρμογή αλγορίθμων μηχανικής μάθησης, με έμφαση σε σύγχρονους αλγόριθμους βαθιάς μάθησης
  • Την επισκόπηση εφαρμογών τεχνητής νοημοσύνης στο διαδίκτυο των πραγμάτων σε περιοχές όπως το εμπόριο, τα αυτόνομα οχήματα και την υγεία
  • Την πρακτική εφαρμογή σε διαφορετικούς τύπους δεδομένων και σημάτων όπως σήματα αισθητήρων, κείμενο και εικόνες

Με την ολοκλήρωση του μαθήματος οι φοιτητές αναμένεται να έχουν επαρκείς γνώσεις για την υλοποίηση εφαρμογών τεχνητής νοημοσύνης και μηχανικής μάθησης στο διαδίκτυο των πραγμάτων, συμπεριλαμβανομένων και εφαρμογών που εκτελούνται σε περιβάλλοντα ακμής (edge).

Περιεχόμενο Μαθήματος

1η Εβδομάδα: Εισαγωγή – ορισμοί. Τι είναι το διαδίκτυο των πραγμάτων και η τεχνητή νοημοσύνη και ποια η μεταξύ τους σύνδεση. Εξέλιξη της τεχνητής νοημοσύνης ιστορικά και τι είναι εφικτό σήμερα. Ο ρόλος της μηχανικής μάθησης στα προβλήματα τεχνητής νοημοσύνης.
2η Εβδομάδα: Τι είναι η μηχανική μάθηση. Τύποι προβλημάτων μηχανικής μάθησης. Σε τι διαφέρει η μηχανική μάθηση από τη βελτιστοποίηση. Υποεκπαίδευση, υπερεκπαίδευση και γενίκευση. Υποθέσεις της στατιστικής μηχανικής μάθησης. Μοντέλα γραμμικής παλινδρόμησης. Μέθοδος ελαχίστων τετραγώνων και κανονικές εξισώσεις. Εφαρμογή στο περιβάλλον scikit-learn.
3η Εβδομάδα: Μοντέλα Perceptron. Λογιστική παλινδρόμηση μίας και πολλών μεταβλητών. Η σιγμοειδής συνάρτηση και η συνάρτηση softmax. Εκτίμηση μέγιστης πιθανοφάνειας. Δυαδική διεντροπία και κατηγορική διεντροπία (cross-entropy). Η βελτιστοποίηση στοχαστικής κατάβασης κλίσης. Πλήρως συνδεδεμένα τεχνητά νευρωνικά δίκτυα. Εφαρμογή στο περιβάλλον scikit-learn.
4η Εβδομάδα: Συναρτήσεις ενεργοποίησης. Αρχικοποίηση παραμέτρων ΤΝΔ. Εισαγωγή στο περιβάλλον Tensorflow/Keras. Το Sequential API. Το Functional API. Model subclassing. Παρουσίαση μιας τυπικής ροής εκπαίδευσης και αξιολόγησης μοντέλων ΤΝΔ.
5η Εβδομάδα: Μέθοδοι εκπαίδευσης ΤΝΔ. Ο αλγόριθμος backpropagation. Παραδείγματα. Μέθοδοι βελτιστοποίησης SGD, AdaGrad, RMSprop και Adam. Τεχνικές ομαλοποίησης για τον έλεγχο χωρητικότητας. Μέθοδοι επιλογής υπερπαραμέτρων ΤΝΔ. Παραδείγματα εφαρμογής στο Tensorflow. Συζήτηση γύρω από το AutoML.
6η Εβδομάδα: Συνελικτικά νευρωνικά δίκτυα και αλγόριθμοι εκπαίδευσής τους. Εφαρμογή σε εικόνες. Τα δίκτυα VGG και ResNet. Τα νευρωνικά δίκτυα ως μηχανισμοί εκμάθησης χαρακτηριστικών. Παραδείγματα εφαρμογής.
7η Εβδομάδα: Αναγνώριση αντικειμένων σε εικόνες. Παρουσίαση της μεθόδου You Only Look Once (YOLO). Άλλες σύγχρονες μέθοδοι αναγνώρισης αντικειμένων. Παραδείγματα εφαρμογής.
8η Εβδομάδα: Μοντέλα ακολουθιών. Επαναλαμβανόμενα νευρωνικά δίκτυα. Τα μοντέλα LSTM και GRU. Τα δίκτυα Transformer.
9η Εβδομάδα: Συνδυασμός συνελτικών και επαναλαμβανόμενων νευρωνικών δικτύων για την επεξεργασία μονοδιάστατων σημάτων από αισθητήρες. Παράδειγμα εφαρμογής σε ιατρικά σήματα και σε σήματα φορητών αισθητήρων.
10η Εβδομάδα: Εισαγωγή στην αυτόματη επεξεργασία φυσικής γλώσσας. Μέθοδοι ενσωμάτωσης λέξεων. Η μέθοδος Word2Vec. Η μέθοδος BERT. Παραδείγματα εφαρμογής.
11η Εβδομάδα: Ζητήματα σχετικά με την υλοποίηση εφαρμογών τεχνητής νοημοσύνης σε περιβάλλοντα ακμής. Συμπίεση μοντέλων. Το περιβάλλον Tensorflow Lite για Edge AI. Πρακτικά ζητήματα: Διαδικασία εκπαίδευσης και επιλογής μοντέλων. Εύρεση labels για την εκπαίδευση. Αντιμετώπιση του θορύβου ετικετών.
12η Εβδομάδα: Παρουσιάσεις εργασιών

ΓΕΝΙΚΕΣ ΙΚΑΝΟΤΗΤΕΣ

Προσαρμογή σε νέες καταστάσεις

Λήψη αποφάσεων

Αυτόνομη εργασία

Ομαδική εργασία

Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

 

ΔΙΔΑΚΤΙΚΕΣ ΚΑΙ ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

Τρόπος Παρακολούθησης: Δια ζώσης, Εξ αποστάσεως εκπαίδευση
Χρήση Τεχνολογιων Πληροφορίας και Επικοινωνιών: eclass, estudies

Δραστηριότητα Φόρτος Εργασίας
Εξαμήνου
Παρακολούθηση διαλέξεων 36
Εργαστηριακή Άσκηση 0
Ατομικές ή Ομαδικές Εργασίες 40
Αυτοτελής μελέτη 74
Σύνολο 150

ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ

Γραπτή εξέταση, ατομικές ή ομαδικές εργασίες

ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

1. Ian Goodfellow, Yoshua Bengio and Aaron Courville, “Deep Learning”, MIT Press, 2016 https://www.deeplearningbook.org/
2. Stuart Russell and Peter Norvig , “Artificial Intelligence: A Μodern Approach”, Pearson, 4th Edition (2020)
3. Timothy Chou, “Precision: Principles, Practices and Solutions for the Internet of Things”, 2016

Περιοδικά (ενδεικτικά):

IEEE Transactions on Pattern Analysis and Machine Intelligence
IEEE Transactions on Neural Networks and Learning Systems
Engineering Applications of Artificial Intelligence
Expert Systems with Applications
Journal of Machine Learning Research
Journal of Artificial Intelligence Research
Neural Computing and Applications
International Journal of Computer Vision

Συνέδρια (ενδεικτικά):

Neural Information Processing Systems
International Conference on Learning Representations
AAAI Conference on Artificial Intelligence
Computer Vision and Pattern Recognition
International Conference on Computer Vision
International Joint Conference on Artificial Intelligence