Σκοπός του μαθήματος είναι η κατανόηση βασικών εννοιών, αρχών και μεθόδων της τεχνητής νοημοσύνης και της μηχανικής μάθησης, η εξοικείωση με εργαλεία ανάπτυξης συστημάτων τεχνητής νοημοσύνης και η παρουσίαση εφαρμογών σε προβλήματα του μηχανολόγου μηχανικού.

• Εισαγωγή στην Τεχνητή Νοημοσύνη (ΤΝ) και Μηχανική Μάθηση (ΜΜ) (μάθηση σε ανώτερους οργανισμούς, μηχανική μάθηση; λογική, δέντρα και λήψη αποφάσεων, αλγόριθμοι αναζήτησης και παίγνια, προτασιακή λογική, αλγόριθμοι βασισμένοι σε παραδείγματα της φύσης, στατιστική μάθηση). 
• Επιβλεπόμενη Mάθηση (πρόβλημα της πρόβλεψης, κατηγοριοποίηση, λογιστική παλινδρόμηση, εκτίμηση μέγιστης πιθανοφάνειας, Μηχανές Διανυσμάτων Υποστήριξης (SVM), δέντρα αποφάσεων).
• Εργαλεία Βελτιστοποίησης στην ΤΝ και ΜΜ (βελτιστοποίηση, επαναληπτικοί αλγόριθμοι αναζήτησης, στοχαστικοί αλγόριθμοι μέγιστης κατάβασης και προσαρμοστική μάθηση, οπίσθια διάδοση σφάλματος).
• Τεχνητά Νευρωνικά Δίκτυα και Βαθιά Μάθηση (Τεχνητά Νευρωνικά Δίκτυα, πολυεπίπεδα νευρωνικά δίκτυα, μέθοδος εκπαίδευσης της οπίσθιας διάδοσης σφάλματος, Συνελικτικά Νευρωνικά δίκτυα (CNN),
  Αναδρομικά Νευρωνικά Δίκτυα (RNN), Νευρωνικά Δίκτυα Μακράς και Βραχείας Μνήμης (LSTM)).
• Ενισχυτική Μάθηση (αναζήτηση στο χώρο των βέλτιστων πολιτικών, αναζήτηση στο χώρο των τιμών)
• Μη Επιβλεπόμενη Μάθηση (δημιουργία μοντέλων από τα δεδομένα και αναγνώριση προτύπων, Ομαδοποίηση δεδομένων, Ιεραρχική Ομαδοποίηση, Ομαδοποίηση με k-means; Πιθανοτικά μοντέλα: Γκαουσιανοί πυρήνες και μείγματα, εκτίμηση παραμέτρων μέσω του αλγόριθμου ΕΜ, δίκτυα Bayes)
• Πρακτικές Εφαρμογές (εφαρμογές πρόβλεψης, ταξινόμησης, ομαδοποίησης/συστάδας, λήψης αποφάσεων σε προβλήματα του μηχανολόγου μηχανικού).

Βιβλία
− S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach, 3rd Edition. Prentice-Hall, Englewood Cliffs, NJ, 2009.
− K.P. Murphy. Machine Learning: A Probabilistic Perspective, MIT Press, 2012.
− M. Mohri, A. Rostamizadeh, and A. Talwalkar. Foundations of Machine Learning, MIT Press, 2012.
− R.S. Sutton, A.G. Barto. Reinforcement Learning: An Introduction, 2nd Edition, MIT Press, 2018.
− I. Goodfellow, Y. Bengio, and A. Courville. Deep Learning, MIT Press, 2016.
− C.M. Bishop. Pattern Recognition and Machine Learning, Springer 2007.
− T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning, Springer, 2011.
− S. Haykin. Neural Networks and Learning Machines, Pearson, 2008.
− W. McKinney. Python for Data Analysis, 2nd Edition. O’Reilly Media, 2017.

Περιοδικά
− Artificial intelligence
− IEEE Transactions on Neural Networks and Learning Systems
− IEEE Transactions on Pattern Analysis and Machine Intelligence
− IEEE Transactions on Evolutionary Computation
− IEEE Transactions on Fuzzy Systems
− IEEE Computational Intelligence Magazine
− Journal of Machine Learning Research
− Pattern Recognition
− Neural Networks
− Information Sciences
− Machine Learning
− Annals of Statistics
− Journal of the Royal Statistical Society. Series B: Statistical Methodology

Ελληνική ή Αγγλική

Διαλέξεις