Υπολογιστική Νοημοσύνη

Σύντομη περιγραφή

Το μάθημα «Υπολογιστική Νοημοσύνη» εισάγει στις βασικές αρχές νευρωνικών δικτύων και εξελικτικής βελτιστοποίησης. Καλύπτει μοντέλα τεχνητού νευρώνα, συναρτήσεις ενεργοποίησης και διαδικασίες μάθησης, με έμφαση σε κλασικούς αλγορίθμους όπως Perceptron, LMS/ADALINE και πολυεπίπεδα perceptrons (μελέτη σύγκλισης/εκπαίδευσης). Παράλληλα, παρουσιάζονται Γενετικοί Αλγόριθμοι: θεωρία λειτουργίας, τελεστές (αναπαραγωγή/διασταύρωση/μετάλλαξη), κωδικοποιήσεις και υλοποίηση, μαζί με εφαρμογές σε προβλήματα βελτιστοποίησης και μάθησης.

Tip – Τι χρειάζεται προσοχή

• Μάθηση & σύγκλιση: επιλογή ρυθμού μάθησης, κριτηρίων απόδοσης και σωστής μεθοδολογίας εκπαίδευσης, γιατί επηρεάζουν άμεσα σταθερότητα και αποτέλεσμα.
• GA παράμετροι & αναπαράσταση: κωδικοποίηση λύσης και ρυθμίσεις (πληθυσμός, crossover/mutation) ώστε να αποφεύγεται είτε “τυχαίο ψάξιμο” είτε πρόωρη σύγκλιση.

Γιατί να επιλέξεις αυτό το μάθημα;

• Πρακτική κατανόηση μοντέλων μάθησης (NNs) και του πώς εκπαιδεύονται/αξιολογούνται σε πραγματικά προβλήματα.
• Ικανότητα εφαρμογής εξελικτικών μεθόδων για βελτιστοποίηση και αναζήτηση λύσεων όταν οι κλασικές μέθοδοι δυσκολεύονται ή δεν κλιμακώνουν καλά.