Διαδρομή: Αρχική Σελίδα » 1. Επιστήμη και Τεχνολογία Η/Υ » Β' Εξάμηνο - Πίνακας 1.Β » Προηγμένη Τεχνητή Νοημοσύνη »

Προηγμένη Τεχνητή Νοημοσύνη

Στόχοι:

Το μάθημα παρουσιάζει τόσο τη θεωρία της Τεχνητής Νοημοσύνης, όσο και εφαρμογές της, και ειδικότερα η μοντελοποίηση και επίλυση συνδυαστικών προβλημάτων ως προβλήματα ικανοποίησης περιορισμών και λήψη αποφάσεων υπό αβεβαιότητα. Παρουσιάζεται επίσης η σύγχρονη αντίληψη για τα ευφυή συστήματα, με πιθανοτικά μοντέλα αναπαράστασης γνώσης και χρήση τόσο ακριβούς όσο και προσεγγιστικού (βασισμένου σε δειγματοληψία) συμπερασμού για τη λήψη αποφάσεων.

Δεξιότητες:

Με την επιτυχή ολοκλήρωση της παρακολούθησης του μαθήματος οι φοιτητές/τριες θα μπορούν να:

μοντελοποιούν απλά συνδυαστικά προβλήματα, ως προβλήματα ικανοποίησης περιορισμών και να επιλέγουν τους κατάλληλους καθολικούς περιορισμούς για την αποδοτικότερη επίλυσή του,
να επιλύουν προβλήματα χρονοπρογραμματισμού χρησιμοποιώντας την κατάλληλη αναπαράσταση, και να εφαρμόζουν τον κατάλληλο αλγόριθμό για την εύρεση της βέλτιστης λύσης,
υλοποιούν την μοντελοποίηση που επέλεξαν σε μια πλατφόρμα επίλυσης περιορισμών,
μοντελοποιούν πιθανοτικά προβλήματα λήψης απόφασης με χρήση δικτύων Bayes
υπολογίζουν πιθανοτικές κατανομές αναλυτικά αλλά και με δειγματοληψία,
εφαρμόζουν τη πιθανοτική συλλογιστική σε πραγματικά προβλήματα, όπως η παρακολούθηση στόχου και ο εντοπισμός θέσης.

Προαπαιτήσεις:

Προτείνεται ο φοιτητής να έχει παρακολουθήσει μάθημα Τεχνητής Νοημοσύνης προπτυχιακού επιπέδου. Οι διαλέξεις του προπτυχιακού μαθήματος έχουν καταγραφεί στα πλαίσια του προγράμματος Open Courses του Πανεπιστημίου Μακεδονίας (περίοδος καταγραφής: εαρινό εξάμηνο 2013-2014).

Επίσης πρέπει ο φοιτητής να έχει βασικές γνώσεις πιθανοτήτων. Απαραίτητη τέλος είναι η γνώση κάποιας γλώσσας προγραμματισμού (π.χ., Python).

Περιεχόμενο μαθήματος:

Αλγόριθμοι τυφλής & Ευρετικής αναζήτησης: Πρώτα σε βάθος, πρώτα σε πλάτος, πρώτα στο καλύτερο, Α*.
Προβλήματα ικανοποίησης περιορισμών και μοντελοποίηση προβλημάτων. Μέθοδοι επίλυσης προβλημάτων περιορισμών. Αλγόριθμοι ελέγχου συνέπειας και συνέπεια τόξου. Βαθμός συνέπειας και απόδοση αλγορίθμων. Συνδυασμός αναζήτησης και ελέγχου συνέπειας για επίλυση προβλημάτων.
Εισαγωγή στις πλατφόρμες προγραμματισμού με περιορισμούς και επίλυση απλών προβλημάτων. Εφαρμογή αλγορίθμων συνέπειας και αναζήτηση.
Ευρετικές συναρτήσεις σε προβλήματα περιορισμών. Καθολικοί περιορισμοί. Ο περιορισμός alldiffrerent. Προβλήματα ανάθεσης πόρων και ο περιορισμός element.
Βελτιστοποίηση και αναζήτηση με επέκταση και οριοθέτηση σε προβλήματα περιορισμών.
Προβλήματα χρονοπρογραμματισμού και μοντελοποίηση. Καθολικοί περιορισμοί εξειδικευμένοι στον χρονοπρογραμματισμό. Χρονοπρογραμματισμός με πεπερασμένους πόρους.
Δράση και αβεβαιότητα. Ορθολογικές αποφάσεις. Πράκτορας θεωρίας αποφάσεων. Βασική σημειογραφία πιθανοτήτων. Αξιώματα πιθανοτήτων. Συμπερασμός με πλήρεις συνδυασμένες κατανομές πιθανότητας. Ανεξαρτησία. Υπο-συνθήκη ανεξαρτησία.
Πιθανοτική συλλογιστική. Δίκτυα Bayes. Κάλυμμα Markov. Συνεχείς μεταβλητές. Ακριβής συμπερασμός σε δίκτυα Bayes. Συμπερασμός με απαρίθμηση. Προσεγγιστικός συμπερασμός. Άμεση δειγματοληψία. Απορριπτική δειγματοληψία. Στάθμιση πιθανοτήτων. Monte Carlo αλυσίδα Markov.
Πιθανοτική συλλογιστική στο χρόνο. Στάσιμες διαδικασίες. Υπόθεση Markov. Συμπερασμός σε χρονικά μοντέλα: Φιλτράρισμα, Πρόβλεψη, Εξομάλυνση. Εύρεση της πλέον πιθανής ακολουθίας. Αλγόριθμος Viterbi. Δυναμικά δίκτυα Bayes. Φιλτράρισμα σωματιδίων.
Λήψη απλών αποφάσεων. Μέγιστη αναμενόμενη χρησιμότητα. Αξιώματα θεωρίας χρησιμοτήτων. Συναρτήσεις χρησιμότητας. Αποστροφή/επιζήτηση/ουδετερότητα ρίσκου. Πολυκριτηριακές συναρτήσεις χρησιμότητας. Δίκτυα αποφάσεων. Αξία της πληροφορίας. Έμπειρα συστήματα της θεωρίας αποφάσεων.
Ακολουθιακά προβλήματα αποφάσεων. Διαδικασίες απόφασης Markov (MDPs). Επανάληψη αξιών. Επανάληψη πολιτικών. Μερικώς παρατηρήσιμες διαδικασίες απόφασης Markov.

Προτεινόμενη βιβλιογραφία:

Stuart Russell & Peter Norvig, Artificial Intelligence, A Modern Approach (3^rd edition), Prentice Hall, 2009. ISBN: 0136042597.
Stuart Russell & Peter Norvig, Τεχνητή Νοημοσύνη, Μία Σύγχρονη Προσέγγιση (2^η αμερικανική έκδοση, 2002). Εκδόσεις Κλειδάριθμος, 2004. ISBN: 960-209-873-2.
Mausam and Andrey Kolobov, Planning with Markov Decision Processes, an AI perspective. Morgan and Claypool, 2012.
Judy Pearl, Probabilistic Reasoning in Intelligent Systems. Morgan Kaufmann, 1988.
Stefan Edelkamp and Stefan Schroedl, Heuristic Search, theory and applications. Morgan Kaufmann, 2012.
K.R. Apt, Principles of Constraint Programming, Cambridge University Press, 2003.
Francesca Rossi, Peter van Beek, and Toby Walsh, (editors), Handbook of Constraint Programming, Elsevier Science, 2006
Kim Marriott and Peter J. Stuckey, A MiniZinc Tutorial, http://www.minizinc.org/resources.html

Μέθοδοι αξιολόγησης:

Οι φοιτητές θα πρέπει να εκπονήσουν δύο προγραμματιστικές εργασίες (25% τελικού βαθμού) και μια σημαντικότερη σε μέγεθος που θα συμβάλλει με 25% στον τελικό βαθμό.

Η τελική γραπτή εξέταση συμβάλλει στον τελικό βαθμό με 50%.