Τμήμα Μαθηματικών | Πανεπιστήμιο Πατρών


Φυσικοί Υπολογισμοί και Νευρωνικά Δίκτυα
Περιγραφή

Μέρος Α
Στοιχεία θεωρίας υπολογισμού. Τεχνητή Νοημοσύνη. Μηχανική μάθηση. Νευρωνικά δίκτυα, ασαφής λογική και εξελικτικοί υπολογισμοί. Υπολογιστική της φύσης και υπολογιστική νοημοσύνη. Θέματα βελτιστοποίησης στην υπολογιστική νοημοσύνη. Θεωρητικές θεμελιώσεις και προβλήματα. No-free lunch theorem. Διαφορετικές εκδοχές της βελτιστοποίησης (συνδυαστική, καθολική, τοπική, με περιορισμούς, κλπ.). Πολυ-αντικειμενική βελτιστοποίηση, προβλήματα και εφαρμογές. Εξελικτικοί υπολογισμοί και αλγόριθμοι. Ο γενετικός αλγόριθμος. Βασικές αρχές και μηχανισμοί (επιλογή, διασταύρωση και μετάλλαξη). Τεχνικές εξέλιξης. Γενετικός προγραμματισμός, γραμματική εξέλιξη και εξελικτικές στρατηγικές. Διαφορετικές εκδοχές γενετικών και εξελικτικών αλγορίθμων. Εφαρμογές. Αλγόριθμοι βασισμένοι στην κοινωνική συμπεριφορά πληθυσμού. Νοημοσύνη σμήνους. Βελτιστοποίηση με σμήνος σωματιδίων. Βασική προσέγγιση και διαφορετικές εκδοχές. Ζητήματα αρχικοποίησης, σύγκλισης και τεχνικές εξερεύνησης του χώρου των εφικτών λύσεων. Εξερεύνηση και εκμετάλλευση (exploration and exploitation). Εφαρμογές της βελτιστοποίησης με σμήνος σωματιδίων. Υπολογιστικά μοντέλα αποικίας μυρμηγκιών, αποικίας μελισσών κλπ., μιμιδικοί (memetic) και διαφορο-εξελικτικοί αλγόριθμοι.
Μέρος Β
Νευρωνικά δίκτυα και νευρωνικοί υπολογισμοί. Βιολογικοί και τεχνητοί νευρώνες. Δομή, βασική λειτουργία, διέγερση και συνάρτηση ενεργοποίησης του νευρώνα. Εκπαίδευση, γενίκευση και μάθηση στα νευρωνικά δίκτυα. Μέθοδοι εκπαίδευσης νευρωνικών δικτύων. Εκπαίδευση με επίβλεψη. Εκπαίδευση χωρίς επίβλεψη. Μάθηση με ενίσχυση (reinforcement learning). Εφαρμογές τεχνητών νευρωνικών δικτύων στην επιστήμη και στη τεχνολογία. Θέματα και προβλήματα ταξινόμησης και παλινδρόμησης. Γραμμικοί και μη γραμμικοί ταξινομητές. Τα νευρωνικά δίκτυα ως ταξινομητές βελτιστοποίησης της συνάρτησης κόστους. Perceptron και perceptron πολλαπλών επιπέδων. Μηχανές διανυσμάτων υποστήριξης. Πιθανοτικά νευρωνικά δίκτυα. Δίκτυα με ανάδραση, μηχανές Boltzman, δίκτυα με χρονο-καθυστέρηση, δίκτυα ακτινικής βάσης. Εκπαίδευση χωρίς επίβλεψη, διανυσματική κβαντοποίηση και αυτο-οργανούμενοι χάρτες Kohonen. Νευρωνικά δίκτυα βαθειάς μάθησης και εφαρμογές. Στατιστική θεωρία της μάθησης. Ερμηνεία της εξόδου νευρωνικού δικτύου. Ικανότητα ταξινόμησης και χωρητικότητα μνήμης στα νευρωνικά δίκτυα. Ειδικά θέματα στα κυτταρικά αυτόματα, στα τεχνητά ανοσοποιητικά συστήματα (artificial immune systems) και στην υπολογιστική μεμβράνης (membrane computing).

Τομέας: Υπολογιστικών Μαθηματικών και Πληροφορικής
Συγγράμματα:

Πρόγραμμα Σπουδών:
MCDA
Εξάμηνο: Α
Πιστωτικές Μονάδες (ECTS): 7,5
Ωρες Διδασκαλίας (Θ/Φ/Ε): 3/0/0
Κωδικός: MCDA201
Φοιτητές Erasmus: Όχι




keyboard_arrow_up