Τεχνητή Νοημοσύνη στην Επιστήμη Υλικών (ΕΜΥ-417)

Διδασκόμενη ύλη

• Βασικός λογισμός, στατιστική και πιθανότητες.
• Γραμμικό μοντέλο: παλινδρόμηση και ταξινόμηση.
• Συνάρτηση απώλειας, κανονικοποίηση, γενίκευση.
• Λογιστική παλινδρόμηση, δέντρο αποφάσεων, τυχαίο δάσος, μηχανές διανυσμάτων υποστήριξης.
• Μη εποπτευόμενη μάθηση (ομαδοποίηση, μείωση διαστάσεων).
• Βαθιά μάθηση (Multi-Layer Perceptrons, Convolutional, and Recurrent Neural Networks).
• Προγραμματισμός Python (scikit-learn, pytorch, Jupyter notebook).
• Βάσεις δεδομένων υλικών (Materials Project, Citrination).
• Εφαρμογές σε σύνθεση, χαρακτηρισμό και επεξεργασία υλικών.

Ιστοσελίδα μαθήματος

Το eclass του μαθήματος.

Μαθησιακά αποτελέσματα

Οι φοιτητές στο τέλος του μαθήματος:

• Θα κατέχουν προχωρημένες γνώσεις στην αναζήτηση, την εξερεύνηση, και την επίλυση προβλημάτων με κατηγορήματα.
• Θα κατανοούν τον Συναρτησιακό Προγραμματισμό, τα Νευρωνικά Δίκτυα και την Μηχανική Μάθηση.
• Θα μπορούν να επιλέγουν την κατάλληλη αρχιτεκτονική ενός νευρωνικού δικτύου για την επίλυση ενός προβλήματος ταξινόμησης ή πρόβλεψης.
• Θα μπορούν να χρησιμοποιούν το περιβάλλον προγραμματισμού Python για την υλοποίηση των τεχνικών μηχανικής μάθησης.
• Θα έχουν αναπτύξει εκείνες τις δεξιότητες απόκτησης γνώσεων, που τους χρειάζονται για να συνεχίσουν περαιτέρω σπουδές με μεγάλο βαθμό αυτονομίας.

Το μάθημα σύμφωνα με το Ευρωπαϊκό Πλαίσιο Προσόντων Δια Βίου Μάθησης είναι επιπέδου 6 ως μάθημα πρώτου κύκλου σπουδών.

Μέθοδοι Aξιολόγησης

Γλώσσα Αξιολόγησης

Ελληνική / Αγγλική

Μέθοδοι αξιολόγησης

Επίλυση Προβλημάτων, Ερωτήσεις Σύντομης Απάντησης

Βαθμολόγηση

Ενεργή συμμετοχή στα μαθήματα (σύντομα κουίζ) 10%, Εργασίες/Παρουσιάσεις 30%, Ερευνητικό project 60%.

Βιβλιογραφία

• Επιστήμη Δεδομένων: Βασικές Αρχές και Εφαρμογές με Python, Grus Joel, Α. ΠΑΠΑΣΩΤΗΡΙΟΥ & ΣΙΑ
• ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ: ΜΙΑ ΣΥΓΧΡΟΝΗ ΠΡΟΣΕΓΓΙΣΗ, STUART RUSSELL, PETER NORVIG, ΕΚΔΟΣΕΙΣ ΚΛΕΙΔΑΡΙΘΜΟΣ
• Νευρωνικά Δίκτυα και Μηχανική Μάθηση, Haykin Simon, Α. ΠΑΠΑΣΩΤΗΡΙΟΥ & ΣΙΑ
• Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition
• Artificial Intelligence-Aided Materials Design, ByRajesh Jha, Bimal Kumar Jha, CRC Press.