|
ΠΛΗΡΟΦΟΡΙΑΚΑ ΣΥΣΤΗΜΑΤΑ ΜΑΘΗΣΗΣ
ΕΠΛ 442 – 4 Δ.Μ.
Ακαδημαϊκό Έτος 2004-2005 – Χειμερινό Εξάμηνο
Διδάσκοντες : Δημήτριος Βογιατζής
Γραφείο : Β-115, Πανεπιστημιούπολη
e-mail : dimitrv AT cs AT ucy DOT ac DOT cy
Web site : http://www.cs.ucy.ac.cy/courses/EPL442
Εργαστήριο : Δημήτριος Βογιατζής
Προαπαιτούμενα Μαθήματα:
ΕΠΛ 231 – Δομές Δεδομένων και Αλγόριθμοι ΕΠΛ 121 – Γραμμική Άλγεβρα Ι ΜΑΣ 004 - Εισαγωγικά Μαθηματικά Ι
Τι είναι ένα Πληροφοριακό Σύστημα Μάθησης:
Είναι ένα σύστημα το οποίο αφού λάβει γνώση των δεδομένων στοχεύει στη λήψη αποφάσεων μιμούμενο την ανθρώπινη σκέψη και συμπεριφορά. Κύριο χαρακτηριστικό του συστήματος αυτού είναι ένας μηχανισμός αυτόματης μάθησης. Ο μηχανισμός αυτός είναι υπεύθυνος για την εκπαίδευση και την προσαρμογή του συστήματος σύμφωνα με τις μεταβαλλόμενες συνθήκες στην ίδια την υπό εξέταση περίπτωση και το περιβάλλον της.
Στόχοι:
Η θεωρητική και πρακτική κατάρτιση σε θέματα ανάπτυξης και υλοποίησης πληροφορικών συστημάτων μάθησης. Η μελέτη των μεθόδων μηχανικής μάθησης όπως αυτές διαμορφώθηκαν τα τελευταία χρόνια. Ανασκόπηση των εξελίξεων σε τομείς της πληροφορικής, όπως τεχνική νοημοσύνη, τα έμπειρα συστήματα, η θεωρία της γνώσης, η ρομποτική, κ.α., που συνέβαλαν στην ανάπτυξη της θεωρίας των συστημάτων μάθησης. Η υλοποίηση και ο έλεγχος της απόδοσης αντιπροσωπευτικών πληροφορικών συστημάτων μάθησης.
Τρόπος Διδασκαλίας:
Η διδασκαλία του μαθήματος θα γίνεται με διαλέξεις θεωρίας, εργαστήριο, ατομικές εργασίες και εξετάσεις.
Αξιολόγηση του μαθήματος:
Ατομική εργασία και εργαστήριο 40%
Εξέταση ημιεξαμήνου 20%
Τελική εξέταση εξαμήνου 40%
Προϋπόθεση για επιτυχία στο μάθημα είναι το 40% τουλάχιστον στην τελική εξέταση.
Ενότητες:
Εισαγωγή στη γραμμική άλγεβρα σε παράλληλο και κατανεμημένο υπολογισμό.
Αναγνώριση προτύπων Περιγραφή προτύπων Βήματα αναγνώρισης προτύπων και τεχνικές Άμεση απεικόνιση πολυδιάστατων χώρων Στατιστικές αντιλήψεις
Κανόνας απόφασης Bayes Θεωρία πλησιέστερων γειτόνων Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ)
Αναδρομή της ιστορίας των ΤΝΔ Εισαγωγή στα ΤΝΔ Perceptron, Adaline, Madaline Στοιχειώδεις μονάδες επεξεργασίας και σύνδεσης Τοπολογίες δικτύων: Δίκτυα ενός και πολλαπλών επιπέδων Δεδομένα εισόδου: Πρότυπα, pre-processing, post-processing Αλγόριθμοι εκμάθησης
Επιβλεπόμενη μάθηση (supervised learning) Μη – επιβλεπόμενη μάθηση (unsupervised learning) Ο αλγόριθμος error Back Propagation (BP) Ανταγωνιστική μάθηση Μάθηση Hebbian
Επίλυση προβλημάτων και εφαρμογές των ΤΝΔ Εξελικτικός προγραμματισμός (evolutionary programming) και Γενετικοί Αλγόριθμοι(Genetic Algorithms – GA’s)
Ιστορική αναδρομή – εισαγωγικές έννοιες Δομή ενός εξελικτικού προγράμματος Συστατικά μέρη ενός GA
Απεικόνιση Αρχικοποίηση Συνάρτηση αποτίμησης Γενετικοί τελεστές Μέθοδοι υλοποίησης
-
Μηχανές διανυσμάτων υποστήριξης
-
Εφαρμογές των GA’s
Βελτιστοποίηση συνάρτησης (function optimization) Ρύθμιση παραμέτρων συστημάτων μάθησης (fine local tuning) Υβριδικά συστήματα μάθησης
Υπολογιστική νοημοσύνη Συνδυασμοί συστημάτων μάθησης Υβριδικά μοντέλα μάθησης με ΤΝΔ και GA’s Εφαρμογές
Εφαρμογές:
Παράλληλα με τη διδασκαλία των πιο πάνω θεμάτων θα γίνονται και εργαστηριακές συναντήσεις όπου θα δοθεί η ευκαιρία να χρησιμοποιηθούν ειδικά εργαλεία ανάπτυξης συστημάτων μάθησης που θα είναι διαθέσιμα στους υπολογιστές του εργαστηρίου (Matlab, Neural Network Toolbox, Genetic Algorithms Toolbox). Οι εφαρμογές στοχεύουν στην εμπέδωση των θεωρητικών θεμάτων που θα εξεταστούν.
Βιβλιογραφία:
Δεν υπάρχει ένα βιβλίο το οποίο να καλύπτει όλη την ύλη που αναμένεται να διδαχθεί στο μάθημα . Θα χρησιμοποιηθούν εκτενή αποσπάσματα από τα πιο κάτω βιβλία:
-
C.M. Bishop, "Neural Networks for Pattern Recognition", Oxford University Press 1995
-
S. Haykin, “Neural Networks – A Comprehensive Foundation”, McMillan College Publishing.
S. Kartalopoulos, “Understanding Neural networks and Fuzzy Logic”, IEEE press. D. Goldberg, “Genetic Algorithms in Search for Optimization & Machine Learning”, Addison-Wesley. Σημειώσεις, Ερευνητικά άρθρα, Ιστοσελίδα του Μαθήματος.
 |
