Ζμπειρα υςτήματα και υςτήματα Τποςτήριξησ Αποφάςεων (Κατ: ΔΠ) 1 ΓΕΝΙΚΑ ΧΟΛΗ ΣΜΗΜΑ ΕΠΙΠΕΔΟ ΠΟΤΔΩΝ ΚΩΔΙΚΟ ΜΑΘΗΜΑΣΟ ΣΙΣΛΟ ΜΑΘΗΜΑΣΟ ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΣΟ ΔΙΟΙΚΗΗ & ΟΙΚΟΝΟΜΙΑ ΔΙΟΙΚΗΗ ΕΠΙΧΕΙΡΗΕΩΝ Προπτυχιακό (ΔΠ)ΓΕ400 ΕΞΑΜΗΝΟ ΠΟΤΔΩΝ 7 ο 0 ΕΜΠΕΙΡΑ ΤΣΗΜΑΣΑ ΚΑΙ ΤΣΗΜΑΣΑ ΤΠΟΣΗΡΙΞΗ ΑΠΟΦΑΕΩΝ ΑΤΣΟΣΕΛΕΙ ΔΙΔΑΚΣΙΚΕ ΔΡΑΣΗΡΙΟΣΗΣΕ ςε περίπτωςθ που οι πιςτωτικζσ μονάδεσ απονζμονται ςε διακριτά μζρθ του μακιματοσ π.χ. Διαλζξεισ, Εργαςτθριακζσ Αςκιςεισ κ.λπ. Αν οι πιςτωτικζσ μονάδεσ απονζμονται ενιαία για το ςφνολο του μακιματοσ αναγράψτε τισ εβδομαδιαίεσ ϊρεσ διδαςκαλίασ και το ςφνολο των πιςτωτικϊν μονάδων ΕΒΔΟΜΑΔΙΑΙΕ ΩΡΕ ΔΙΔΑΚΑΛΙΑ ΠΙΣΩΣΙΚΕ ΜΟΝΑΔΕ Διαλζξεισ (Θεωρία) και Αςκιςεισ Πράξθσ (ΑΠ) 2 Θ + 2 ΕΡ 6 Προςκζςτε ςειρζσ αν χρειαςτεί. Η οργάνωςθ διδαςκαλίασ και οι διδακτικζσ μζκοδοι που χρθςιμοποιοφνται περιγράφονται αναλυτικά ςτο 4. ΣΤΠΟ ΜΑΘΗΜΑΣΟ Τπόβακρου Υποβάκρου, Γενικϊν Γνϊςεων, Επιςτθμονικισ Περιοχισ, Ανάπτυξθσ Δεξιοτιτων ΠΡΟΑΠΑΙΣΟΤΜΕΝΑ ΜΑΘΗΜΑΣΑ: ΓΛΩΑ ΔΙΔΑΚΑΛΙΑ και ΕΞΕΣΑΕΩΝ: ΣΟ ΜΑΘΗΜΑ ΠΡΟΦΕΡΕΣΑΙ Ε ΦΟΙΣΗΣΕ ERASMUS ΗΛΕΚΣΡΟΝΙΚΗ ΕΛΙΔΑ ΜΑΘΗΜΑΣΟ (URL) Ελλθνικι 2 ΜΑΘΗΙΑΚΑ ΑΠΟΣΕΛΕΜΑΣΑ Μαθηςιακά Αποτελέςματα Περιγράφονται τα μακθςιακά αποτελζςματα του μακιματοσ οι ςυγκεκριμζνεσ γνϊςεισ, δεξιότθτεσ και ικανότθτεσ καταλλιλου επιπζδου που κα αποκτιςουν οι φοιτθτζσ μετά τθν επιτυχι ολοκλιρωςθ του μακιματοσ. Συμβουλευτείτε το Παράρτθμα Α Περιγραφι του Επιπζδου των Μακθςιακϊν Αποτελεςμάτων για κάκε ζνα κφκλο ςπουδϊν ςφμφωνα με Πλαίςιο Προςόντων του Ευρωπαϊκοφ Χϊρου Ανϊτατθσ Εκπαίδευςθσ Περιγραφικοί Δείκτεσ Επιπζδων 6, 7 & 8 του Ευρωπαϊκοφ Πλαιςίου Προςόντων Διά Βίου Μάκθςθσ και Παράρτθμα Β Περιλθπτικόσ Οδθγόσ ςυγγραφισ Μακθςιακϊν Αποτελεςμάτων Λογική του μαθήματοσ κοπόσ του μακιματοσ είναι θ απόκτθςθ υποβάκρου ςτθν ανάπτυξθ εφαρμογϊν Ζμπειρων υςτθμάτων και θ δυνατότθτα αποτελεςματικισ χρθςιμοποίθςθσ ςυναφϊν εργαλείων όπωσ τα κελφφθ Ζμπειρων υςτθμάτων. Σο μάκθμα προςφζρει μια ςε βάκοσ μελζτθ των τεχνικϊν ανάπτυξθσ Εμπείρων υςτθμάτων και αναλφει τθν ςθμερινι κατάςταςθ ςτον χϊρο των Εμπειρων υςτθμάτων όςο αφορά τισ εφαρμογζσ τουσ. Παράλλθλα παρουςιάηεται ςε λεπτομζρεια θ ανάπτυξθ μιασ
παραδειγματικισ fuzzy inference engine και γίνονται πολλά παραδείγματα ανάπτυξθσ αςαφϊν ζμπειρων ςυςτθμάτων κυρίωσ αναφορικά με επιχειρθματικζσ εφαρμογζσ. τόχοι Πρωταρχικόσ ςτόχοσ του μακιματοσ είναι θ απόκτθςθ κεωρθτικοφ υποβάκρου και θ εργαςτθριακι εξάςκθςθ ςτθν ανάπτυξθ εφαρμογϊν Ζμπειρων υςτθμάτων. Παράλλθλα το μάκθμα αποςκοπεί και ςτθν απόκτθςθ τθσ δυνατότθτασ για αποτελεςματικι χρθςιμοποίθςθσ ςυναφϊν εργαλείων όπωσ τα κελφφθ Ζμπειρων υςτθμάτων. Παρζχεται μια εκτενι μελζτθ των τεχνικϊν ανάπτυξθσ Εμπείρων υςτθμάτων και αναλφεται θ ςθμερινι κατάςταςθ ςτον χϊρο των Εμπειρων υςτθμάτων όςο αφορά τισ εφαρμογζσ τουσ. Παράλλθλα ςτόχοσ είναι και θ ικανοποιθτικι πρακτικι εξάςκθςθ μζςω τθσ ανάπτυξθσ μιασ παραδειγματικισ fuzzy inference engine. Σα παραδείγματα λόγω των κατευκφνςεων του τμιματοσ προσ τθν Διοίκθςθ προςανατολίηονται ςε επιχειρθματικζσ εφαρμογζσ των Ζμπειρων υςτθμάτων. Γενικέσ Ικανότητεσ Λαμβάνοντασ υπόψθ τισ γενικζσ ικανότθτεσ που πρζπει να ζχει αποκτιςει ο πτυχιοφχοσ (όπωσ αυτζσ αναγράφονται ςτο Παράρτθμα Διπλϊματοσ και παρατίκενται ακολοφκωσ) ςε ποια / ποιεσ από αυτζσ αποςκοπεί το μάκθμα;. Αναηιτθςθ, ανάλυςθ και ςφνκεςθ δεδομζνων και πλθροφοριϊν, με τθ χριςθ και των απαραίτθτων τεχνολογιϊν Προςαρμογι ςε νζεσ καταςτάςεισ Λιψθ αποφάςεων Αυτόνομθ εργαςία Ομαδικι εργαςία Εργαςία ςε διεκνζσ περιβάλλον Εργαςία ςε διεπιςτθμονικό περιβάλλον Παράγωγι νζων ερευνθτικϊν ιδεϊν Σχεδιαςμόσ και διαχείριςθ ζργων Σεβαςμόσ ςτθ διαφορετικότθτα και ςτθν πολυπολιτιςμικότθτα Σεβαςμόσ ςτο φυςικό περιβάλλον Επίδειξθ κοινωνικισ, επαγγελματικισ και θκικισ υπευκυνότθτασ και ευαιςκθςίασ ςε κζματα φφλου Άςκθςθ κριτικισ και αυτοκριτικισ Προαγωγι τθσ ελεφκερθσ, δθμιουργικισ και επαγωγικισ ςκζψθσ Αναηιτθςθ, ανάλυςθ και ςφνκεςθ δεδομζνων και πλθροφοριϊν, με τθ χριςθ και των απαραίτθτων τεχνολογιϊν Προςαρμογι ςε νζεσ καταςτάςεισ Λιψθ αποφάςεων Αυτόνομθ Εργαςία Ομαδικι Εργαςία 1 ΠΕΡΙΕΧΟΜΕΝΟ ΜΑΘΗΜΑΣΟ Αρχικά γίνεται μια ειςαγωγι ςτθν ζννοια των Ζμπειρων υςτθμάτων και αναπτφςςονται οριςμζνοι βαςικοί τομείσ εφαρμογϊν τουσ. τθν ςυνζχεια παρουςιάηονται τα βαςικά ςυςτατικά των Ζμπειρων υςτθμάτων. Ειδικότερα δίνεται ζμφαςθ ςτο υποςφςτθμα Βάςθσ Γνϊςθσ (Knowledge Base) και ςτο υποςφςτθμα αναηιτθςθσ γνϊςθσ (Knowledge Acquisition Subsystem). Αναλφεται το κζμα του ελζγχου ςυνάφειασ/ςυνζπειασ (Coherence Control). Παρουςιάηεται το κεντρικό κζμα τθσ Μθχανισ
Εξαγωγισ υμπεραςμάτων (ΜΕ) (Inference Engine) και ςυηθτιοφνται εναλλακτικοί τρόποι υλοποίθςισ τθσ. τα πλαίςια τθσ Μθχανισ Εξαγωγισ υμπεραςμάτων παρουςιάηεται το υποςφςτθμα αναηιτθςθσ γνϊςθσ (ΤΑΓ) (Information Acquitition Subsystem), το Τποςφςτθμα Επεξιγθςθσ (Explanation Subsystem) και το Τποςφςτθμα Μάκθςθσ (Learning Subsystem). Μετά τθν ειςαγωγι του γενικοφ πλαιςίου και των βαςικϊν αρχϊν των Ζμπειρων υςτθμάτων αντιμετωπίηουμε περιςςότερο εξειδικευμζνα κζματα. Η χρθςιμοποίθςθ τεχνικϊν αναηιτθςθσ ςε γράφουσ αποτελεί ζνα γενικό τρόπο αντιμετϊπιςθσ πολλϊν εφαρμογϊν. Παρουςιάηονται οι βαςικζσ τεχνικζσ αναηιτθςθσ και ςυγκεριμζνα οι μζκοδοι depth-first search και breath-first search. ε επόμενθ ενότθτα κίγεται το εξαιρετικά βαςικό κζμα των Ζμπειρων υςτθμάτων βαςιςμζνων ςε Κανόνεσ (Rule-Based Expert Systems). το ίδιο πλαίςιο δίνεται θ βαςικι υποδομι του Λογικοφ Προγραμματιςμοφ και δίνεται μια ειςαγωγι τθσ γλϊςςασ Λογικοφ Προγραμματιςμοφ Prolog. Σο επόμενο κεφάλαιο ςυνεχίηει ςε αλγορικμικό πλαίςιο και παρζχει βαςικοφσ αλγορίκμουσ μάκθςθσ που ςυχνά ςυναντιϊνται ςτα Εμπειρα υςτιματα. Ετςι παρζχεται υποδομι ςτατιςτικισ μοντελοποίθςθσ, ομαδοποίθςθσ (clustering), χειριςμόσ ςυμβολικϊν γνωριςμάτων (symbolic attributes), θ μζκοδοσ K-Means, το Αυξθτικό clustering (Incremental Clustering), θ Category Utility, το Πικανοτικό clustering, το Ιεραρχικό Clustering (Hierarchical Clustering), το Model Based Clustering και ο ςυναφζσ αλγόρικμοσ Expectation Maximization (EM). Η ανάλυςθ αλγορίκμων ζμπειρων ςυςτθμάτων ςυνεχίηει ςτον ςχεδιαςμό ειςόδου/εξόδου, τθν Επιλογι Χαρακτθριςτικϊν (Attribute Selection), τθν Ρθτι Επιλογι Χαρακτθριςτικϊν (Explicit Feature Selection) και τθν Διακριτοποίθςθ αρικμθτικϊν χαρακτθριςτικϊν. ε επόμενο κεφάλαιο παρουςιάηονται τρόποι αξιολόγθςθσ του τι ζχει μάκει το ςφςτθμα και τθσ εκτίμθςθσ τθσ απόδοςισ του. θμαντικι τζτοια μζκοδοσ είναι θ μζκοδοσ του cross-validation. Επίςθσ ςθμαντικοί δείκτεσ αξιολόγθςθσ είναι θ υνάρτθςθ απϊλειασ πλθροφορίασ (Information loss function). Σζλοσ, ςτθν τελευταία κεματικι ενότθτα αντιμετωπίηεται το πολφ βαςικό κζμα των Αςαφϊν Ζμπειρων υςτθμάτων (fuzzy expert systems). Παρουςιάηεται αναλυτικά θ κεωρία και ζνα εκτενζσ case study, to JFES (Java Fuzzy Expert System) το οποίο αποτελεί ζνα Ζμπειρο φςτθμα υλοποιθμζνο ςε Java. υγκεκριμζνα θ φλθ του μακιματοσ οργανωμζνθ ςε μακιματα ζχει το εξισ πλάνο διδαςκαλίασ. 1 η Ειςαγωγι ςτα Ζμπειρα Συςτιματα Βαςικζσ Ζννοιεσ 2 η Περιγραφι βαςικϊν προςεγγίςεων ςτθν ανάπτυξθ Ζμπειρων Συςτθμάτων Τεχνθτι Νοθμοςφνθ και Ζμπειρα Συςτιματα 3 η Αναηιτθςθ ςε γράφουσ (Depth-First Search και Best-First Search) 4η Συμπεραςματολογία με Αλυςίδωςθ προσ τα εμπρόσ (Forward-Chaining) και Αλυςίδωςθ προσ τα πίςω (Backward-Chaining) 5 η Ζμπειρα Συςτιματα Βαςιςμζνα ςε Κανόνεσ (Rule-Based Expert Systems). 6 η Ειςαγωγι ςτα Νευρωνικά δίκτυα. 7 η Ειςαγωγι ςε Αλγορίκμουσ Μάκθςθσ Ο αλγόρικμοσ back-propagation. 8 η Ειςαγωγι ςτα Bayesian δίκτυα.
9 η Θεμελιϊδθσ ζννοιεσ αςαφοφσ λογικισ και fuzzy ςυςτθμάτων. 10 η Η διαδικαςία τθσ fuzzy inference. 11 η Σχεδίαςθ αςαφϊν ςυςτθμάτων ςε υψθλζσ διαςτάςεισ. Αντιμετϊπιςθ του curse of dimensionality με clustering. 12 η Θζματα μάκθςθσ αςαφϊν ςυςτθμάτων (fuzzy learning). 13 η Μάκθςθ fuzzy ςυςτθμάτων με clustering. 14 η To ςφςτθμα ανάπτυξθσ ζμπειρων ςυςτθμάτων JFES (Java Fuzzy Expert System) 15 η Εφαρμογζσ ςτθν ανάπτυξθ απλϊν ζμπειρων ςυςτθμάτων ςτο JFES 2 ΔΙΔΑΚΣΙΚΕ και ΜΑΘΗΙΑΚΕ ΜΕΘΟΔΟΙ ΑΞΙΟΛΟΓΗΗ Σα μακιματα γίνονται με ακαδθμαϊκζσ διαλζξεισ όπου θ παρουςία των φοιτθτϊν είναι προαιρετικι. Η αξιολόγθςθ γίνεται με τθν τελικι εξζταςθ ςτθν οποία δίνεται ζμφαςθ ςτο παραδοκζν υλικό και ςτο περιεχόμενο των διαλζξεων. Εξεταςτζα φλθ είναι θ φλθ των ςθμειϊςεων. Οι φοιτθτζσ ενκαρρφνονται ςτο να αποκτιςουν ακαδθμαϊκό πνεφμα, να ζχουν κζλθςθ για μάκθςθ και να παίρνουν αυτοβοφλωσ πρωτοβουλία. Δίνονται αςκιςεισ για τθν εκτζλεςθ μικρϊν εργαςιϊν τφπου projects, και προωκείται θ δθμιουργία εργαςιϊν με μελζτθ τθσ πρόςφατθσ διεκνοφσ βιβλιογραφίασ ςτον τομζα των Ζμπειρων υςτθμάτων. 3 ΤΝΙΣΩΜΕΝΗ-ΒΙΒΛΙΟΓΡΑΦΙΑ 1. Sushmita Mitra, Tinku Acharya, Data Mining: Multimedia, Soft Computing, and Bioinformatics, John Wiley & Sons, 2003
2. Bernhard Scholkopf, Alexander J. Smola, Learning with Kernels: Support Vector Machines,Regularization and Beyond, MIT Press, 2002 3. Kohonen T., Self-Organized Maps, Springer-Verlag, Second Edition, 1997. 4. Haykin S, Neural Networks and Learning Machines, Prentice Hall International, Third Edition, 2008.