Τεχνητή και Υπολογιστική Νοημοσύνη στη Σχεδίαση και Λειτουργία Πλοίων

Α. Εισαγωγή στις βασικές αρχές ανάπτυξης και λειτουργίας συστημάτων Τεχνητής και Υπολογιστικής Νοημοσύνης. Σύνοψη συγκεντρωτικής και κατανεμημένης νοημοσύνης. Γνώση (δομή, παράσταση, χειρισμός), συλλογιστική, ευφυή συμπεριφορά. Παρουσίαση της δομής, λειτουργίας και αξιοποίησης σύγχρονων συστημάτων λογισμικού που βασίζονται στη γνώση και επιτρέπουν την εύκολη ενσωμάτωση κανόνων, κανονισμών, εμπειρικών οδηγιών και διαφόρων περιοριστικών διατάξεων. Β. Γενετικοί αλγόριθμοι και εξελικτικά συστήματα. Γενετικές δομές και εξελικτικοί τελεστές. Παράμετροι εξελικτικών συστημάτων. Συμπεριφορά και σύγκλιση εξελικτικών συστημάτων. Βελτιστοποίηση και άλλες εφαρμογές εξελικτικών συστημάτων. Άλλες τεχνικές (Νευρωνικά δίκτυα, Ασαφής Λογική, Αυτο-οργανούμενα συστήματα). Ασαφή συστήματα, μετα-ευρετικές τεχνικές, τεχνητά άνοσα δίκτυα. Γ. Εφαρμογές στη σχεδίαση και στη λειτουργία πλοίων. Βελτιστοποίηση μορφής γάστρας με τη βοήθεια Υπολογιστικής Νοημοσύνης και ΕΣ. Υποστήριξη στη σχεδίαση συστημάτων πλοίου. Παρουσίαση και εργαστηριακή εξοικείωση με δύο έμπειρα συστήματα που υποστηρίζουν τη φόρτωση πλοίων και τη χάραξη της βέλτιστης πορείας των πλοίων. Δ. Γενικές αρχές Μηχανικής Μάθησης. Εισαγωγή στην περιοχή της μηχανικής μάθησης-οι διάφοροι τύποι. Επιβλεπόμενη μάθηση. Μη επιβλεπόμενη μάθηση. Πρόβλεψη (γραμμική, λογιστική παλινδρόμηση). Μηχανές διανυσμάτων υποστήριξης (Support Vector Machines). Ενισχυτική μάθηση. Μάθηση Bayes. E. Νευρωνικά Δίκτυα Βαθιάς Μάθησης. Μάθηση πολύπλοκων αναπαραστάσεων με δεδομένα. Ανασκόπηση. Δεδομένα μεγάλου όγκου. Παραδείγματα δομών. Εφαρμογές σε τεχνολογικές και επιστημονικές περιοχές. Ζ. Προγραμματιστικά Εργαλεία για Νευρωνικά Δίκτυα. Το NN/DNN toolbox στο MATLAB. Σύγχρονες πλατφόρμες υλικού. Το μάθημα περιλαμβάνει δύο εργαστηριακές ασκήσεις