8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Hybrid Computational Intelligence Schemes in Complex Domains: An Extended Review Athanasios Tsakonas and George.

Slides:



Advertisements
Παρόμοιες παρουσιάσεις
1. Εισαγωγή Ορισμοί:  VOD  NVOD  Live Streaming.
Advertisements

ΣΧ. ΣΥΜΒΟΥΛΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ
ΕΞΟΡΥΞΗ ΓΝΩΣΗΣ ΑΠΟ ΕΙΚΟΝΕΣ
Ελληνική Βιομηχανία: Προς την Οικονομία της Γνώσης 4/7/2006 Δίκτυα συνεργασιών επιχειρήσεων με ερευνητικούς φορείς: Προσδιοριστικοί παράγοντες συμμετοχής.
ΡΟΗ Υ: ΥΠΟΛΟΓΙΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ
Τμήμα Αρχειονομίας-Βιβλιοθηκονομίας Ιόνιο Πανεπιστήμιο
ΤΟΜΕΑΣ ΥΠΟΛΟΓΙΣΤΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΚΑΙ ΕΦΑΡΜΟΓΩΝ
Επιμέλεια Π. Τσάκωνας. 1. Ποια από τα ακόλουθα αποσπάσματα αλγόριθμων πραγματοποιούν σωστά την ταξινόμηση του πίνακα Α; ΓΙΑ i ΑΠΟ 2 ΜΕΧΡΙ Ν ΓΙΑ j ΑΠΟ.
ΕΙΣΑΓΩΓΗ ΣΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
Μηχανική Μάθηση και Εξόρυξη Γνώσης
Εισαγωγικές Έννοιες Διδάσκοντες: Σ. Ζάχος, Δ. Φωτάκης Επιμέλεια διαφανειών: Δ. Φωτάκης Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Εθνικό Μετσόβιο.
Εφαρμογές Δικτύων Αισθητήρων: Τί μέλλει γενέσθαι; Σ. Χατζηευθυμιάδης Τμήμα Πληροφορικής και Τηλεπικοινωνιών ΕΚΠΑ Ερευνητική Ομάδα Διάχυτου Υπολογισμού.
Computational Imaging Laboratory Υπολογιστική Όραση ΤΜΗΥΠ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ.
ΕΥΡΕΣΗ ΚΑΤΗΓΟΡΙΚΩΝ ΕΚΤΟΠΩΝ ΣΕ ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΒΑΣΗ ΔΕΔΟΜΕΝΩΝ
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Παραλλαγές.
Η μάθηση από κείμενα 1 Τρίτη, 5 Ιουλίου 2011  Η μάθηση από κείμενα είναι μια πολύπλοκη διαδικασία η οποία μέχρι σήμερα δεν έχει γίνει πλήρως κατανοητή.
ΕΚΕΦΕ «Δημόκριτος» Ινστιτούτο Πληροφορικής & Τηλεπικοινωνιών Κοινωνία της Πληροφορίας & Τεχνητή Νοημοσύνη Δρ. Κωνσταντίνος Δ. Σπυρόπουλος Δντής Έρευνας.
Ε λληνικό Ι νστιτούτο Μ ετρολογίας Σύγκριση μεταξύ αναλυτικών και αριθμητικών μεθόδων υπολογισμού της αβεβαιότητας μέτρησης Χρήστος Μπαντής, Ph. D. Νοέμβριος,
Εισαγωγή στις αρχές της Επιστήμης των Η/Υ
Επίλυση Προβλημάτων με Η/Υ
Ποσοτικές Μέθοδοι στα Οικονομικά & Διοίκηση
ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Α ΡΙΣΤΟΤΕΛΕΙΟ Π ΑΝΕΠΙΣΤΗΜΙΟ Θ ΕΣΣΑΛΟΝΙΚΗΣ Κατεύθυνση Ψηφιακών μέσων
Ενότητα 1.1,1.2,1.3 Ρόλος των ΤΠΕ στη δόμηση της κοινωνίας της Γνώσης, Ένταξη των ΤΠΕ στα πλαίσια των στόχων της εκπαίδευσης για το 2010 και επιμόρφωση.
Παράλληλοι Επιστημονικοί Υπολογισμοί Τομέας Θεωρητικής Πληροφορικής Τμήμα Πληροφορικής και Τηλεπικοινωνιών Εθνικό και Καποδιστριακό Πανεπιστημίο Αθηνών.
Ορισμός της Αναπτυξιακής Δυσαριθμησίας
Telematics Επιμέλεια:Παγώνης Γεώργιος Writer: Patrick Dillon.
Τεχνητή νοημοσύνη Ελισαίος Βάντο. Ο όρος τεχνητή νοημοσύνη (ΤΝ, εκ του Artificial Intelligence) αναφέρεται στον κλάδο της πληροφορικής ο οποίος ασχολείται.
ΚΕΦΑΛΑΙΟ 16 ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
Εισαγωγή στις Αρχές της επιστήμης των Η/Υ
Μαρίνα Μήτρου και Δώρα Νίκου
ΓΛΩΣΣΙΚΗ ΤΕΧΝΟΛΟΓΙΑ Μάθημα 1ο Εισαγωγή στη Γλωσσική Τεχνολογία
Διδακτική της Πληροφορικής ΗΥ302 Εργασία :Παρουσίαση σχολικού βιβλίου Γ’ Λυκείου Τεχνολογικής Κατεύθυνσης «Ανάπτυξη εφαρμογών σε προγραμματιστικό περιβάλλον»
1. ΚΑΤΕΥΘΥΝΣΗ ΣΠΟΥΔΩΝ Τμήμα Διοικητικής Επιστήμης & Τεχνολογίας Οικονομικό Πανεπιστήμιο Αθηνών Ποσοτικές Μέθοδοι στα Οικονομικά & Διοίκηση Quantitative.
Ανάπτυξη μεθοδολογίας για το συστηματικό θεμελιώδη μηχανοτρονικό σχεδιασμό. Εφαρμογή στην ανάπτυξη ευφυούς συστήματος για το σχεδιασμό ρομποτικών αρπαγών.
Μεταπτυχιακές Σπουδές
 Λαμβάνουν υπόψη τις πολιτισμικές και κοινωνικές συνθήκες μάθησης.  Έχουν επιρροές από ανθρωπολογία και κοινωνική ψυχολογία  Ενδιαφέρονται για τις.
1. ΝΕΑ ΚΑΤΕΥΘΥΝΣΗ ΣΠΟΥΔΩΝ Τμήμα Διοικητικής Επιστήμης & Τεχνολογίας Οικονομικό Πανεπιστήμιο Αθηνών Ποσοτικές Μέθοδοι στα Οικονομικά & Διοίκηση Quantitative.
ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Α ΡΙΣΤΟΤΕΛΕΙΟ Π ΑΝΕΠΙΣΤΗΜΙΟ Θ ΕΣΣΑΛΟΝΙΚΗΣ Κατεύθυνση Ψηφιακών μέσων
EXCEL – λογιστικά φύλλα. Χρήση επεξεργασία, αναπαράσταση και επικοινωνία αριθμητικών (η γενικότερα ποσοτικών) δεδομένων Ειδικότερα Εφαρμογή εκπαιδευτικών.
1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Ανακάλυψη Γνώσης από Βιολογικές Αλληλουχίες Αλεξανδρίδου Αναστασία.
ÐñïãíùóôéêÜ íåõñùíéêÜ äßêôõá ( Predictive Modular Neural Networks ) êáé åöáñìïãÝò óå ôáîéíüìçóç êáé ðñüãíùóç ÷ñïíïóåéñþí êáé áíáãíþñéóç äõíáìéêïý óõóôçìÜôùí.
Ποσοτικές Μέθοδοι στα Οικονομικά & Διοίκηση
1. ΚΑΤΕΥΘΥΝΣΗ ΣΠΟΥΔΩΝ Τμήμα Διοικητικής Επιστήμης & Τεχνολογίας Οικονομικό Πανεπιστήμιο Αθηνών Ποσοτικές Μέθοδοι στα Οικονομικά & Διοίκηση Quantitative.
Πρόγραμμα Προπτυχιακών Σπουδών Ροή Λ: Λογισμικό Κώστας Κοντογιάννης Αναπλ. Καθηγητής Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Ε.Μ.Π.
ΡΟΗ Υ: ΥΠΟΛΟΓΙΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ 1. Προγράμματα εφαρμογής βάσεις δεδομένων, εργαλεία σχεδίασης CAD CAM Γλώσσες προγραμματισμού υψηλού επιπέδου Λειτουργικό.
Εισαγωγή στις Αρχές της Επιστήμης των Υπολογιστών Β’ τάξη Γενικού Λυκείου Γενικής παιδείας Καθηγητής: Τζουμάκα Χριστίνα.
ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Κεφάλαιο 1 Εισαγωγή στον Ευφυή Έλεγχο Επιμέλεια: Πέτρος Π. Γρουμπός, Καθηγητής Τμήμα Ηλεκτρολόγων Μηχανικών & Τεχνολογίας Υπολογιστών.
ΥΝ Ι: ΑΝΑΠΑΡΑΣΤΑΣΗ ΓΝΩΣΗΣ 1 ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (Τεχνητά Νευρωνικά Δίκτυα και Γενετικοί Αλγόριθμοι) ΣΠΥΡΟΣ ΛΥΚΟΘΑΝΑΣΗΣ, ΚΑΘΗΓΗΤΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ.
Ιατρικά Συστήματα Τεχνητής Νοημοσύνης με την συνεργασία τεχνικών Ασαφούς Λογικής, Νευρωνικών Δικτύων και Γενετικών Αλγορίθμων. A.Τζαβάρας P.R.Weller B.
Πληροφορική 2 Τεχνητή νοημοσύνη 1. Τι είναι τεχνητή νοημοσύνη;  Τεχνητή νοημοσύνη (AI=Artificial Intelligence) είναι η μελέτη προγραμματισμένων συστημάτων.
Θέματα Υπολογισμού στον Πολιτισμό Εύη Παπαϊωάννου
ΕΝΟΤΗΤΑ 1. ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΚΕΦΑΛΑΙΟ 1.1 ΕΠΙΣΤΗΜΗ ΤΩΝ ΥΠΟΛΟΓΙΣΤΩΝ 1.
ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΚΑΙ ΜΑΘΗΣΙΑΚΗ ΔΙΑΔΙΚΑΣΙΑ
Προγραμματισμός έργων
Ασκήσεις WEKA Νευρωνικά δίκτυα.
ΕΙΣΑΓΩΓΗ ΣΤΟΥΣ ΕΞΕΛΙΚΤΙΚΟΥΣ ΑΛΓΟΡΙΘΜΟΥΣ
Τι μαθαίνει αυτός που μαθαίνει προγραμματισμό;
Πρόγραμμα προπτυχιακών σπουδών Κατευθύνσεις – Ροές
Πρόγραμμα Προπτυχιακών Σπουδών Ροή Λ: Λογισμικό
ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Κεφάλαιο 1 Εισαγωγή στον Ευφυή Έλεγχο
ΠΛΗΡΟΦΟΡΙΚΗ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ
Παιδαγωγικές Εφαρμογές Η/Υ
ΣΧΕΔΙΑΣΗ ΕΚΠΑΙΔΕΥΤΙΚΟΥ ΛΟΓΙΣΜΙΚΟΥ
ΕΙΣΑΓΩΓΗ ΣΤΟΥΣ ΕΞΕΛΙΚΤΙΚΟΥΣ ΑΛΓΟΡΙΘΜΟΥΣ
ΡΟΗ Υ: ΥΠΟΛΟΓΙΣΤΙΚΑ ΣΥΣΤΗΜΑΤΑ
ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Κεφάλαιο 3 Ασαφείς Συνεπαγωγές
ΤΜΗΜΑ Μηχανικών Παραγωγής & Διοίκησης
Σκοπός Η συνοπτική παρουσίαση
ΤΜΗΜΑ Μηχανικών Παραγωγής & Διοίκησης
Οι Κατευθύνσεις στο τμήμα Μηχανικών Πληροφορικής
Μεταγράφημα παρουσίασης:

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Hybrid Computational Intelligence Schemes in Complex Domains: An Extended Review Athanasios Tsakonas and George Dounias University of the Aegean

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Υβριδικά Υπολογιστικά Συστήματα σε Σύνθετα Περιβάλλοντα Μέθοδοι της Υπολογιστικής Νοημοσύνης (Υ.Ν.) Υβριδισμός των μεθόδων της Υ.Ν. Εφαρμογές (Applications) Επίλογος / Συμπεράσματα

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Μέθοδοι της Υ.Ν. Τεχνητά Νευρωνικά Δίκτυα Ασαφής Λογική Εξελικτικός Υπολογισμός (Evolutionary Computation) Μηχανική Μάθηση Ευρετικοί/Μετα-ευρετικοί Αλγόριθμοι Αλλες Μέθοδοι

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Τεχνητά Νευρωνικά Δίκτυα (ΤΝΝ) Ιδέα: Αναπαράσταση ανθρώπινου νευρικού συστήματος Πολύ καλά σε: –μοντελοποίηση μή-γραμμικών προβλημάτων –προσαρμοστικότητα Καλά σε: –μοντελοποίηση ανθρώπινης επικοινωνίας και λογικής –μοντελοποίηση αριθμητικών δεδομένων –απλότητα στην υλοποίηση –μοντελοποίηση μη-αριθμητικών δεδομένων –σταθερότητα - «ρωμαλεότητα» (robustness)

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Ασαφής Λογική Ιδέα: Η απλότητα και αποδοτικότητα του τρόπου που ενεργεί και κρίνει ο άνθρωπος σε ανακριβείς και ελλιπείς (αριθμητικές) πληροφορίες Πολύ καλή σε: –μοντελοποίηση αβεβαιότητας –μοντελοποίηση ανθρώπινης επικοινωνίας και λογικής –παραγωγή ερμηνευόμενων και ξεκάθαρων υποδειγμάτων Καλή σε: –μοντελοποίηση μή-γραμμικών προβλημάτων –απλότητα στην υλοποίηση –μοντελοποίηση αριθμητικών, μη-αριθμητικών δεδομένων –προσαρμοστικότητα

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Εξελικτικός Υπολογισμός Γενετικοί Αλγόριθμοι, Εξελικτικός Προγραμματισμός, Εξελικτικές Στρατηγικές, Γενετικός Προγραμματισμός Ιδέα: Αλληγορική μεταφορά της βιολογικής εξέλιξης Πολύ καλός σε: –μοντελοποίηση μή-γραμμικών προβλημάτων –απλότητα στην υλοποίηση –προσαρμοστικότητα –βελτιστοποίηση Καλός σε: –σταθερότητα - ρωμαλεότητα –ρύθμιση-βαθμονόμηση παραμέτρων –μοντελοποίηση αριθμητικών, μη-αριθμητικών δεδομένων

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Μηχανική Μάθηση Ιδέα: Αναπαραγωγή της ανθρώπινης εκμάθησης Πολύ καλή σε: –μοντελοποίηση μή-γραμμικών προβλημάτων –μοντελοποίηση ανθρώπινης επικοινωνίας και λογικής –παραγωγή ερμηνευόμενων και ξεκάθαρων υποδειγμάτων –μοντελοποίηση μη-αριθμητικών δεδομένων Καλή σε: –μοντελοποίηση αβεβαιότητας –απλότητα στην υλοποίηση –υπολογιστικό κόστος

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Ευρετικοί/Μετα-ευρετικοί Αλγόριθμοι-Άλλες Μέθοδοι Αναζήτηση Tabu (Tabu Search) Βελτιστοποίηση Αποικίας Μυρμηγκιών (Ant-Colony Optimization) Επαναλαμβανόμενη Τοπική Αναζήτηση (Iterated Local Search) Λογική βασισμένη σε παραδείγματα (Case- Based Reasoning)

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Αδυναμίες των μεθόδων της Υπολογιστικής Νοημοσύνης Tεχνητά N.N. –παραγωγή ερμηνευόμενων και ξεκάθαρων υποδειγμάτων –μοντελοποίηση αβεβαιότητας –ρύθμιση-βαθμονόμηση παραμέτρων –βελτιστοποίηση Μηχανική μάθηση –μοντελοποίηση αριθμητικών δεδομένων –προσαρμοστικότητα –ρύθμιση-βαθμονόμηση παραμέτρων –σταθερότητα - ρωμαλεότητα –βελτιστοποίηση Ασαφής Λογική –σταθερότητα - ρωμαλεότητα –ρύθμιση-βαθμονόμηση παραμέτρων –βελτιστοποίηση Εξελικτικός Υπολογισμός –παραγωγή ερμηνευόμενων και ξεκάθαρων υποδειγμάτων –υπολογιστικό κόστος –δεν εφαρμόζεται σε μοντελοποίηση αβεβαιότητας, ανθρώπινης επικοινωνίας και λογικής (εξαίρεση: Γεν.Προγρ/μός)

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Υβριδισμός Τεχν.Νευρωνικά Δίκτυα + Ασαφής Λογική Ασαφής Λογική+Εξελικτ.Υπολογισμός Τεχν.Νευρωνικά Δίκτυα + Εξ.Υπολογισμός Μηχ.Μάθηση + Ασαφής Λογική Μηχ.Μάθηση + Εξελικτ.Υπολογισμός Αλλα Υβριδικά Συστήματα

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Τεχνητά Νευρωνικά Δίκτυα + Ασαφής Λογική ANFIS (Jang 1993) NEFCLASS (Nauck & Kruse 1995) GARIC (Berenji & Khedkar 1992) ASAFES2 (Zikidis & Vasilakos 1996) Neuro-Fuzzy Classification & Clustering (Bezdek 1992, Simpson 1992)

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Ασαφής Λογική + Εξελικτικός Υπολογισμός Συστήματα κανόνων ασαφούς λογικής όπου ο εξελικτικός υπολογισμός δημιουργεί ή ρυθμίζει τη βάση κανόνων (Karr 1991, Lee & Tagaki 1993, Alba et al. 1996) Συστήματα εξελικτικού υπολογισμού όπου η ασαφής λογική καθοδηγεί την εξέλιξη (Lee & Tagaki 1993, Cordon et al.1995, Herrera et al. 1995)

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Τεχνητά Νευρωνικά Δίκτυα + Εξελικτικός Υπολογισμός O εξελικτικός υπολογισμός χρησιμοποιείται για δημιουργία τεχνητών νευρωνικών (Miller et al. 1989, δικτύων ή για εκπαίδευσή τους (Montana & Davis 1989, Whitley et al. 1990, Fogel et al. 1990) ή και τα δύο (Εdwards et al. 2001). Αλλες συνεργατικές αρχιτεκτονικές (Υeun et al. 1999)

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Μηχανική Μάθηση + Ασαφής Λογική Fuzzy-ID3 (Weber 1992) Ασαφή Δέντρα Απόφασης (Wang 2001, Wang &Yeung 2002) Aσαφής Μηχανική Μάθηση (Castro et al. 2001)

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Μηχανική Μάθηση + Εξελικτικός Υπολογισμός Γενετική Mηχανική Μάθηση (Sette & Boullart 2000) Δέντρα απόφασης από εξελικτικό υπολογισμό (Koza 1992) Eπαγωγικός Γενετικός Προγραμματισμός (Nikolaev & Iba 2001)

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Δημοσιεύσεις ανά χώρο εφαρμογής

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Δημοσιεύσεις ανά τεχνολογία

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Δημοσιεύσεις ανά έτος

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Δημοσιεύσεις Yβριδικών Συστημάτων ανά έτος (έρευνα CoIL) Πηγή: CoIL Roadmap, University of Amsterdam,2001

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Σταθμικός Αριθμός Δημοσιεύσεων ανά έτος (έρευνα CoIL) Πηγή: CoIL Roadmap, University of Amsterdam,2001

8/4/2002Α.Τσάκωνας, Γ.Δούνιας, SETN-02 Επίλογος Προς αναγνώριση των επιμέρους δυνατοτήτων των τεχνικών της υπολογιστικής νοημοσύνης και συνδυασμένη χρήση αυτών Εφαρμογές σε συστήματα ελέγχου, ανάλυση δεδομένων και προσέγγιση συναρτήσεων, αναγνώριση σύνθετων δυναμικών, χαοτικών και χρονομεταβλητών πεδίων, ιατρική διάγνωση και βιομηχανικός προγραμματισμός, εφαρμογές αποφάσεων