Περιγραφή Μαθήματος
Περιεχόμενο Μαθήματος Εισαγωγή στην Τεχνητή Νοημοσύνη και τη Μηχανική Μάθηση: Ορισμοί και βασικές έννοιες (AI, ML, Deep Learning). Κατηγορίες μάθησης. Εφαρμογές μηχανικής μάθησης – περιορισμοί. Εισαγωγή στην Python και βασικές βιβλιοθήκες. Μάθηση με Επίβλεψη: Κριτήρια επίδοσης (accuracy, precision, recall, ROC) – σύγκριση μοντέλων. Μέθοδοι ταξινόμησης (k πλησιέστεροι γείτονες, δένδρα αποφάσεων). Πρακτική εφαρμογή στη πρόβλεψη φυσικών μεταβλητών από πειραματικά ή προσομοιωμένα δεδομένα. Τεχνητά Νευρωνικά Δίκτυα και Εκπαίδευση: Βασικές αρχές (Perceptron, λογιστική παλινδρόμηση, συνάρτηση softmax). Συνήθεις συναρτήσεις ενεργοποίησης (ReLU, tanh, sigmoid). Νευρωνικά δίκτυα πολλών στρωμάτων. Μοντέλα βαθιάς μάθησης (Deep Learning). Αναδρομικά και Συνελικτικά Νευρωνικά Δίκτυα – Εφαρμογές στη Φυσική: Αναδρομικά νευρωνικά δίκτυα (CNN, RNN, LSTM). Ανάλυση χρονοσειρών φυσικών συστημάτων. Αναγνώριση φάσεων ύλης μέσω CNN. Χάος και πρόβλεψη με LSTM. Επισκόπηση Εφαρμογών AI στη Φυσική: Εφαρμογές στην αστρονομία, στη φυσική υψηλών ενεργειών, στα χαοτικά συστήματα, και στη φυσική στερεάς κατάστασης. AI για επιτάχυνση προσομοιώσεων και λύση αντιστρόφως καθορισμένων προβλημάτων. Ανάλυση πειραματικών δεδομένων με εργαλεία μηχανικής μάθησης. Physics-Informed Neural Networks (PINNs): Ενσωμάτωση φυσικών νόμων στη διαδικασία εκπαίδευσης των νευρωνικών δικτύων. Διαφορικές εξισώσεις και PINNs. Παραδείγματα επίλυσης PDEs (π.χ. εξίσωση θερμότητας, κύματος). Χρήση αυτόματης παραγώγισης (automatic differentiation). Ανάλυση Πολύπλοκων και Μη Γραμμικών Συστημάτων. Ανακατασκευή ελκυστών (Takens), χρήση εντροπίας και εύρεση των εκθετών Lyapunov μη γραμμικών συστημάτων. SINDy και Symbolic Regression για εξαγωγή εξισώσεων από δεδομένα. Εφαρμογές σε μη γραμμικά δυναμικά συστήματα. Μάθηση με Ενίσχυση: Βασικές αρχές μάθησης με ενίσχυση (Reinforcement Learning – RL). Περιβάλλοντα – Κατάσταση, Δράση, Ανταμοιβή. Βελτιστοποίηση πολιτικής, εκμάθηση Q-values. Εφαρμογές RL σε συστήματα σωματιδίων και πλοήγηση ρομποτικών οχημάτων. Υπολογιστική Δεξαμενής (Reservoir Computing). Ορισμός – Βασικές αρχές – Πλεονεκτήματα. Βασικά πρότυπα υπολογιστών δεξαμενής: Echo State Networks (ESN), Liquid State Machines, Time Delay Reservoirs. Αρχιτεκτονικές υπολογιστών δεξαμενής και φυσικές υλοποιήσεις τους (οπτικά, κυκλωματικά, μηχανικά Reservoir). Eφαρμογή της Υπολογιστικής Δεξαμενής σε πρόβλεψη χρονοσειρών και αναγνώριση/κατηγοριοποίηση προτύπων.
Στοιχεία Μαθήματος
Κωδικός μαθήματος: ΥΦΥ207
Μάθημα: Ειδίκευσης Επιλογής
Εξάμηνο: Δεύτερο Εξάμηνο
Ώρες / εβδομάδα: 3
Πιστ. Μονάδες (ECTS): 7.5
Διδάσκοντες: Χ. Βόλοςε