Τίτλος Μαθήματος: Υπολογιστική Νοημοσύνη
Διδακτικές Ώρες: 39
Πιστωτικές Μονάδες: 7,5
Εξάμηνο: 1ο
Διδάσκων: Δρ. Παπαδουράκης Γεώργιος, Καθηγητής

Στόχοι Μαθήματος
Η Υπολογιστική Νοημοσύνη (Computational Intelligence – CI) είναι μια μεθοδολογία που σχετίζεται με υπολογιστικά συστήματα τα οποία παρουσιάζουν ικανότητα μάθησης και/ή αντιμετώπισης νέων καταστάσεων, σε βαθμό που το σύστημα εκλαμβάνεται ότι διαθέτει ένα ή περισσότερα χαρακτηριστικά του ανθρώπινου λογισμού, όπως γενίκευση, ανακάλυψη, συσχέτιση και αφαίρεση.

Τα silicon-based CI systems ενισχύονται με στοιχεία γνώσης και συχνά σχεδιάζονται για να μιμούνται μία ή περισσότερες πτυχές της βιολογικής νοημοσύνης με βάση τον άνθρακα. Συνήθως περιλαμβάνουν υβρίδια παραδειγμάτων όπως:

• Τεχνητά Νευρωνικά Δίκτυα (Artificial Neural Networks – ANNs)
• Ασαφή Συστήματα (Fuzzy Systems)
• Εξελικτικοί Αλγόριθμοι (Evolutionary Algorithms)

Το μάθημα επικεντρώνεται στις έννοιες, τα παραδείγματα, τους αλγορίθμους και την υλοποίηση της CI και των βασικών της μεθοδολογιών: εξελικτικός υπολογισμός, νευρωνικά δίκτυα και ασαφής λογική.
Ιδιαίτερη έμφαση δίνεται στις πρακτικές εφαρμογές, δηλαδή στο πώς μπορούν να αξιοποιηθούν οι παραπάνω έννοιες, παραδείγματα, αλγόριθμοι και υλοποιήσεις σε πραγματικά προβλήματα της μηχανικής και της επιστήμης των υπολογιστών.

Ενδεικτική Ύλη
Εισαγωγή: Γίνεται σύντομη ανασκόπηση των βιολογικών και συμπεριφορικών κινήτρων των επιμέρους μεθοδολογιών της Υπολογιστικής Νοημοσύνης. Παρουσιάζονται οι βασικοί τομείς εφαρμογής τόσο των επιμέρους μεθοδολογιών όσο και της ΥΝ (CI) συνολικά.
Υπολογιστική Νοημοσύνη (CI): Αρχικά, παρουσιάζονται οι έννοιες της προσαρμογής και της αυτο-οργάνωσης, οι οποίες είναι θεμελιώδεις για την CI. Ακολουθεί συνοπτική ιστορική αναδρομή του πεδίου της Υπολογιστικής Νοημοσύνης μέσα από τις οπτικές άλλων ερευνητών και αναλύονται οι σχέσεις και οι συνεργασίες μεταξύ των τριών κύριων συνιστωσών: εξελικτικός υπολογισμός, νευρωνικά δίκτυα και ασαφή συστήματα. Παρουσιάζεται ένας ορισμός της CI.
Εξελικτικός Υπολογισμός: Μετά την ανασκόπηση της ιστορίας του εξελικτικού υπολογισμού και την επισκόπηση του πεδίου, ακολουθεί αναλυτική παρουσίαση των κύριων παραδειγμάτων της συγκεκριμένης μεθοδολογίας. Αυτά περιλαμβάνουν: γενετικούς αλγορίθμους, εξελικτικό προγραμματισμό, στρατηγικές εξέλιξης, γενετικό προγραμματισμό και βελτιστοποίηση σμήνους σωματιδίων (particle swarm).
Εφαρμογές Εξελικτικού Υπολογισμού: Παρουσίαση θεμάτων που πρέπει να ληφθούν υπόψη κατά την υλοποίηση εξελικτικών μεθόδων. Δύο ενδεικτικά παραδείγματα:

• Απλός (plain vanilla) γενετικός αλγόριθμος
• Βελτιστοποίηση πραγματικών τιμών με σμήνος σωματιδίων (real-valued particle swarm)

Τεχνητά Νευρωνικά Δίκτυα: Παρουσιάζεται συνοπτικά η ιστορική εξέλιξη των νευρωνικών δικτύων, ενώ στη συνέχεια αναλύεται έννοιά τους και γιατί είναι χρήσιμα. Ακολουθεί η ανάλυση των βασικών δομικών στοιχείων και της ορολογίας που τα συνοδεύει, καθώς και μια ανασκόπηση των κυριότερων τοπολογιών νευρωνικών δικτύων. Στη συνέχεια, γίνεται μια πιο λεπτομερής εξέταση της μάθησης και ανάκλησης νευρωνικών δικτύων, με έμφαση σε τρία από τα πιο συχνά χρησιμοποιούμενα παραδείγματα: backpropagation, Learning Vector Quantization (LVQ) και Self-Organizing Feature Maps (SOM). Γίνεται επίσης αναφορά σε υβριδικά και τα επαναλαμβανόμενα δίκτυα, καθώς και σε θέματα προ- και μετα-επεξεργασίας.
Υλοποιήσεις Νευρωνικών Δικτύων: Αναλύονται τα ζητήματα που πρέπει να ληφθούν υπόψη κατά την εφαρμογή τεχνητών νευρωνικών δικτύων και παρουσιάζονται τέσσερα παραδείγματα υλοποίησης: backpropagation, Learning Vector Quantization (LVQ) και Self-Organizing Feature Maps (SOM) και εξελικτικά νευρωνικά δίκτυα.
Ασαφή Συστήματα: Ανασκόπηση της ιστορίας του πεδίου, εισαγωγή στις έννοιες των ασαφών συνόλων και της ασαφούς λογικής, καθώς και στην κατά προσέγγιση συλλογιστική. Τονίζονται οι διαφορές μεταξύ ασαφούς λογικής και πιθανότητας. Παρουσιάζονται οι προσεγγίσεις Mamdani και Takagi–Sugeno για τη σχεδίαση και ανάλυση ασαφών συστημάτων. Γίνεται επίσης αναφορά σε ειδικά θέματα του πεδίου.
Εφαρμογές Fuzzy System: Αναλύονται τα βασικά ζητήματα που πρέπει να ληφθούν υπόψη κατά την υλοποίηση ασαφών συστημάτων και παρουσιάζονται δύο χαρακτηριστικά παραδείγματα υλοποίησης: παραδοσιακό σύστημα ασαφών κανόνων και ένα εξελικτικό ασαφές σύστημα.
Υλοποιήσεις Υπολογιστικής Νοημοσύνης: Παρουσίαση πρόσφατων εξελίξεων στο πεδίο, όπως τα εξελικτικά ασαφή συστήματα και οι προσεγγίσεις για προσαρμογή συστημάτων. Αναλύεται η συνεργασία μεταξύ των τριών βασικών συνιστωσών και παρουσιάζονται μέθοδοι προσαρμοστικής εξελικτικής υπολογιστικής που χρησιμοποιούν fuzzy systems ή/και νευρωνικά δίκτυα. Τέλος, τονίζεται ο ρόλος της μη γραμμικής δυναμικής (θεωρία χάους) στην ΥΝ, με αναφορά στις σύγχρονες έρευνες γύρω από την «άκρη του χάους» που επικεντρώνεται σε πολύπλοκα συστήματα.

Βιβλιογραφία:
[1]    Eberhart, E. and Y. Shi., Computational Intelligence: Concepts and Implementations, Morgan Kaufmann, San Diego, 2007 (textbook)
[2]    Engelbrecht, A.P., Computational Intelligence: An Introduction, John Wiley, New York, 2003.
[3]    Konar, A., Computational Intelligence: Principles, Techniques, and Applications, Springer, Berlin, Germany, 2005.
[4]    Kantardzic, M., Data Mining: Concepts Models, and Algorithms, IEEE Press and John Wiley, New York, 2003.
[5]    Negnevitsky, M., Artificial Intelligence: A Guide to Intelligent Systems, Addison Wesley, 2002.
[6]    Fogel, D.B. and C.J. Robinson (Eds), Computational Intelligence: The Experts Speak, John Wiley, New York, 2003.
[7]    Cios, K., W. Pedrycz, and Swiniarski, R., Data Mining: Methods for Knowledge Discovery, Kluwer 1998.

Σύντομη περιγραφή του μαθήματος “Υπολογιστική Νοημοσύνη”.pdf