Εφαρμοσμένη Τεχνητή Νοημοσύνη

Γενικά

• Κωδικός: 283-250601
• Εξάμηνο: 6ο
• Επίπεδο Σπουδών: Προπτυχιακό
• Τύπος μαθήματος: Γενικού υποβάθρου
• Γλώσσα διδασκαλίας και εξετάσεων: Ελληνικά
• Μέθοδοι Διδασκαλίας (Ώρες/εβδ.): Διαλέξεις- Ασκήσεις Πράξης (3)
• Μονάδες ECTS: 6
• Σελίδα μαθήματος: https://moodle.teithe.gr/
• Διδάσκοντες: Κύρκος Ευστάθιος
• Πρόγραμμα Εξετάσεων:
  • 03/09/2026, 10:30 - 12:00:

Περιεχόμενα μαθήματος

• Εισαγωγή στην Τεχνητή Νοημοσύνη και την Μηχανική Μάθηση
• Είδη μάθησης, δεδομένα εκπαίδευσης, προεπεξεργασία δεδομένων, υπεπροσαρμογή/υποπροσαρμογή μοντέλων
• Ανάλυση Συστάδων, Ιεραρχική, Διαχωριστική, με χρήση μοντέλων
• Κατηγοριοποίηση, Δένδρα Αποφάσεων, Μηχανές Διανυσμάτων Υποστήριξης, Μπαϋεσιανά Δίκτυα
• Παλινδρόμηση
• Νευρωνικά Δίκτυα
• Συστήματα βαθιάς Μάθησης
• Επεξεργασία Φυσικής Γλώσσας
• Μεγάλα Γλωσσικά Μοντέλα
• Εφαρμογές

Μαθησιακοί Στόχοι

Το μάθημα εισάγει τους φοιτητές στην Τεχνητή Νοημοσύνη και στην Μηχανική Μάθηση. Παρουσιάζονται οι δυνατότητες και προοπτικές της Τεχνητής Νοημοσύνης, εξηγούνται βασικές έννοιες όπως η επιβλεπόμενη και μη επιβλεπόμενη μάθηση, η σημασία των δεδομένων εκπαίδευσης, το πρόβλημα της υπερπροσαρμογής και υποπροσαρμογής κλπ. Αναλύονται αλγόριθμοι Μηχανικής Μάθησης για Ανάλυση Συστάδων και Κατηγοριοποίηση, όπως πχ τα Δένδρα Αποφάσεων και οι Μηχανές Διανυσμάτων Υποστήριξης. Παρουσιάζονται τα Νευρωνικά Δίκτυα, οι ιδιότητες και τα χαρακτηριστικά τους. Το μάθημα επεκτείνεται και σε προχωρημένα θέματα όπως τα συστήματα Βαθιάς Μάθησης, η Επεξεργασία Φυσικής Γλώσσας και τα Μεγάλα Γλωσσικά Μοντέλα.

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια θα είναι σε θέση να

• Κατανοεί βασικές έννοιες της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης
• Γνωρίζει και να μπορεί να χρησιμοποιήσει μεθόδους ανάλυσης συστάδων και κατηγοριοποίησης
• Γνωρίζει τις δυνατότητες και τα χαρακτηριστικά των συστημάτων βαθιάς μάθησης
• Κατανοεί ζητήματα και μεθόδους επεξεργασίας φυσικής γλώσσας
• Κατανοεί τους τρόπους λειτουργίας και τις δυνατότητες των μεγάλων γλωσσικών μοντέλων
• Εφαρμόζει όλα τα προηγούμενα για την επίλυση προβλημάτων της Λογιστικής, της Χρηματοοικονομικής και της Διοίκησης Επιχειρήσεων

Γενικές Ικανότητες

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
• Λήψη αποφάσεων
• Αυτόνομη εργασία
• Ομαδική εργασία
• Εργασία σε διεθνές περιβάλλον
• Εργασία σε διεπιστημονικό περιβάλλον
• Παραγωγή νέων ερευνητικών ιδεών
• Σχεδιασμός και διαχείριση έργων
• Άσκηση κριτικής και αυτοκριτικής
• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Μέθοδοι Διδασκαλίας

Πρόσωπο με πρόσωπο, Εξ αποστάσεως ασύγχρονη εκπαίδευση, Ασκήσεις Πράξης

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

Χρήση διαφανειών Power Point, ανάρτηση του εκπαιδευτικού υλικού στο Moodle, ηλεκτρονική επικοινωνία με τους φοιτητές.

Οργάνωση Διδασκαλίας

Αξιολόγηση Φοιτητών

Η αξιολόγηση των φοιτητών γίνεται κατά 60% με γραπτές εξετάσεις που περιλαμβάνουν ερωτήσεις πολλαπλής επιλογής, ερωτήσεις Σωστού/Λάθους και ερωτήσεις σύντομης ανάπτυξης. Κατά 40% η τελική βαθμολογία προκύπτει από εκπόνηση εργασίας.

Συνιστώμενη Βιβλιογραφία

• Επιχειρηματική Ευφυΐα και Αναλυτική, Κύρκος Ε. Broken Hill
• Εισαγωγή στην Μηχανική Μάθηση, Alpaydin Ethem

Συναφή επιστημονικά περιοδικά

• Artificial Intelligence Review
• Expert Systems with Applications
• Decision Support Systems