ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ

Εφαρμοσμένη Τεχνητή Νοημοσύνη

1. ΓΕΝΙΚΑ

ΣΧΟΛΗ Σχολή Οικονομίας και Διοίκησης
ΤΜΗΜΑ Τμήμα Λογιστικής και Πληροφοριακών Συστημάτων
ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό
ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ 283-250601 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 6ο
ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Εφαρμοσμένη Τεχνητή Νοημοσύνη
ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
σε περίπτωση που οι πιστωτικές μονάδες απονέμονται σε διακριτά μέρη του μαθήματος π.χ. Διαλέξεις, Εργαστηριακές Ασκήσεις κ.λπ. Αν οι πιστωτικές μονάδες απονέμονται ενιαία για το σύνολο του μαθήματος αναγράψτε τις εβδομαδιαίες ώρες διδασκαλίας και το σύνολο των πιστωτικών μονάδων.
ΕΒΔΟΜΑΔΙΑΙΕΣ ΩΡΕΣ ΔΙΔΑΣΚΑΛΙΑΣ ΠΙΣΤΩΤΙΚΕΣ ΜΟΝΑΔΕΣ
Διαλέξεις- Ασκήσεις Πράξης 3 6
Προσθέστε σειρές αν χρειαστεί. Η οργάνωση διδασκαλίας και οι διδακτικές μέθοδοι που χρησιμοποιούνται περιγράφονται αναλυτικά στο 4.    
ΤΥΠΟΣ ΜΑΘΗΜΑΤΟΣ
Γενικής Υποδομής (ΓΥ),Ειδικής Υποδομής (ΕΥ), Γενικών Γνώσεων (ΓΓΔ) και Επιστημονικής Περιοχής (ΔΔΤΝ, ΕΔ, ΕΥΣ, ΗΛ, ΠΑ) .
 Γενικού υποβάθρου
ΠΡΟΑΠΑΙΤΟΥΜΕΝΑ ΜΑΘΗΜΑΤΑ:  
ΓΛΩΣΣΑ ΔΙΔΑΣΚΑΛΙΑΣ και ΕΞΕΤΑΣΕΩΝ:  Ελληνικά
ΤΟ ΜΑΘΗΜΑ ΠΡΟΣΦΕΡΕΤΑΙ ΣΕ ΦΟΙΤΗΤΕΣ ERASMUS Όχι
ΗΛΕΚΤΡΟΝΙΚΗ ΣΕΛΙΔΑ ΜΑΘΗΜΑΤΟΣ (URL) https://moodle.teithe.gr/

2. ΜΑΘΗΣΙΑΚΑ ΑΠΟΤΕΛΕΣΜΑΤΑ

Μαθησιακά Αποτελέσματα
Περιγράφονται τα μαθησιακά αποτελέσματα του μαθήματος οι συγκεκριμένες  γνώσεις, δεξιότητες και ικανότητες καταλλήλου επιπέδου που θα αποκτήσουν οι φοιτητές μετά την επιτυχή ολοκλήρωση του μαθήματος.

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
Λαμβάνοντας υπόψη τις γενικές ικανότητες που πρέπει να έχει αποκτήσει ο πτυχιούχος (όπως αυτές αναγράφονται στο Παράρτημα Διπλώματος και παρατίθενται ακολούθως) σε ποια / ποιες από αυτές αποσκοπεί το μάθημα;.
Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών με τη χρήση και των απαραίτητων τεχνολογιών - Προσαρμογή σε νέες καταστάσεις - Λήψη αποφάσεων - Αυτόνομη εργασία - Ομαδική εργασία - Εργασία σε διεθνές περιβάλλον - Εργασία σε διεπιστημονικό περιβάλλον - Παράγωγή νέων ερευνητικών ιδεών Σχεδιασμός και διαχείριση έργων - Σεβασμός στη διαφορετικότητα και στην πολυπολιτισμικότητα - Σεβασμός στο φυσικό περιβάλλον - Επίδειξη κοινωνικής, επαγγελματικής και ηθικής υπευθυνότητας και ευαισθησίας σε θέματα φύλου - Άσκηση κριτικής και αυτοκριτικής - Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης
  • 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

3. ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

  • 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

4. ΔΙΔΑΚΤΙΚΕΣ και ΜΑΘΗΣΙΑΚΕΣ ΜΕΘΟΔΟΙ - ΑΞΙΟΛΟΓΗΣΗ

ΤΡΟΠΟΣ ΠΑΡΑΔΟΣΗΣ
Πρόσωπο με πρόσωπο, Εξ αποστάσεως εκπαίδευση κ.λπ.

Πρόσωπο με πρόσωπο, Εξ αποστάσεως ασύγχρονη εκπαίδευση, Ασκήσεις Πράξης

ΧΡΗΣΗ ΤΕΧΝΟΛΟΓΙΩΝ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΩΝ
Χρήση Τ.Π.Ε. στη Διδασκαλία, στην Εργαστηριακή Εκπαίδευση, στην Επικοινωνία με τους φοιτητές

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

ΟΡΓΑΝΩΣΗ ΔΙΔΑΣΚΑΛΙΑΣ
Περιγράφονται αναλυτικά ο τρόπος και μέθοδοι διδασκαλίας. Διαλέξεις, Σεμινάρια, Εργαστηριακή Άσκηση, Άσκηση Πεδίου, Μελέτη & ανάλυση βιβλιογραφίας, Φροντιστήριο, Πρακτική (Τοποθέτηση), Κλινική Άσκηση, Καλλιτεχνικό Εργαστήριο, Διαδραστική διδασκαλία, Εκπαιδευτικές επισκέψεις, Εκπόνηση μελέτης (project), Συγγραφή εργασίας / εργασιών, Καλλιτεχνική δημιουργία, κ.λπ. Αναγράφονται οι ώρες μελέτης του φοιτητή για κάθε μαθησιακή δραστηριότητα καθώς και οι ώρες μη καθοδηγούμενης μελέτης ώστε ο συνολικός φόρτος εργασίας σε επίπεδο εξαμήνου να αντιστοιχεί στα standards του ECTS

Οργάνωση Διδασκαλίας

ΔραστηριότηταΦόρτος εργασίας εξαμήνου
Διαλέξεις39
Εκπόνηση Εργασίας40
Αυτοτελής Μελέτη71
Σύνολο150
ΑΞΙΟΛΟΓΗΣΗ ΦΟΙΤΗΤΩΝ
Περιγραφή της διαδικασίας αξιολόγησης Γλώσσα Αξιολόγησης, Μέθοδοι αξιολόγησης, Διαμορφωτική ή Συμπερασματική, Δοκιμασία Πολλαπλής Επιλογής, Ερωτήσεις Σύντομης Απάντησης, Ερωτήσεις Ανάπτυξης Δοκιμίων, Επίλυση Προβλημάτων, Γραπτή Εργασία, Έκθεση / Αναφορά, Προφορική Εξέταση, Δημόσια Παρουσίαση, Εργαστηριακή Εργασία, Κλινική Εξέταση Ασθενούς, Καλλιτεχνική Ερμηνεία, Άλλη / Άλλες. Αναφέρονται ρητά προσδιορισμένα κριτήρια αξιολόγησης και εάν και που είναι προσβάσιμα από τους φοιτητές.

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.

5. ΣΥΝΙΣΤΩΜΕΝΗ ΒΙΒΛΙΟΓΡΑΦΙΑ

Συγγράμματα

  • 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