Χρήση Python και Tensorflow για επιστημονικούς υπολογισμούς μηχανικής και τεχνητής νοημοσύνης - Κέντρο Επιμόρφωσης και Δια Βίου Μάθησης

Συνοπτικές Πληροφορίες

Μέθοδος μάθησης: Υβριδική, εξ αποστάσεως (σύγχρονη & ασύγχρονη) και διά ζώσης
Θεματική Ενότητα: Πληροφορική και Τηλεπικοινωνίες, Φυσική, Μηχανική Κτιρίων και Κατασκευών/Τοπογραφία
Γλώσσα Διδασκαλίας: Ελληνικά
Διδακτικές Ενότητες: 4
Διάρκεια: 200 ώρες (12 εβδομάδες)
Έναρξη: ~15 Οκτωβρίου 2022 ή όταν έχουμε ικανοποιητικό αριθμό αιτήσεων
Ολοκλήρωση: 30 Ιανουαρίου 2023
Μονάδες ECVET: 12
Τέλος παρακολούθησης προγράμματος: 670 €
Φόρμα εγγραφής: Θα είναι διαθέσιμη εγκαίρως

Σε ποιους απευθύνεται το πρόγραμμα

Το πρόγραμμα απευθύνεται σε αποφοίτους σχολών θετικών επιστημών (φυσικούς, μαθηματικούς, μηχανικούς, πληροφορικούς) με ενδιαφέρον στα αντικείμενα των εφαρμογών της τεχνητής νοημοσύνης για επιστημονικούς υπολογισμούς με χρήση εργαλείων όπως το tensorflow και τη γλώσσα προγραμματισμού python.

Προαπαιτούμενα

Για την παρακολούθηση του προγράμματος από τους εκπαιδευόμενους απαιτούνται:

Πρόσβαση στο διαδίκτυο.
Κατοχή προσωπικού e-mail για επικοινωνία με τους διδάσκοντες.
Βασικές γνώσεις χειρισμού ηλεκτρονικών υπολογιστών
Στοιχειώδεις γνώσεις μαθηματικών και μηχανικής
Βασικές γνώσεις διαφορικών εξισώσεων μηχανικής
Βασικές γνώσεις προγραμματισμού

Σκοπός - Στόχοι του προγράμματος

Οι στόχοι περιληπτικά:

Απόκτηση βασικών ικανοτήτων προγραμματισμού με τη γλώσσα προγραμματισμού python με έμφαση στη χρήση εξειδικευμένων πακέτων.
Απόκτηση βασικών γνώσεων τεχνητών νευρωνικών δικτύων και υλοποίησή τους με τη χρήση εξειδικευμένων πακέτων όπως το tensorflow.
Εφαρμογές τεχνητών νευρωνικών δικτύων στη μηχανική και συναφείς επιστήμες με τη χρήση των προαναφερθέντων εργαλείων.

Αναλυτικά, το πρόγραμμα περιλαμβάνει την εισαγωγή στη γλώσσα προγραμματισμού Python και στο εξειδικευμένο πακέτο τεχνητής νοημοσύνης Tensorflow με παραδείγματα από την επίλυση προβλημάτων μηχανικής και εφαρμογές νευρωνικών δικτύων στην επίλυση προβλημάτων μηχανικής και μερικών διαφορικών εξισώσεων. Επίσης έχει παραδείγματα από την επίλυση προβλημάτων με τη μέθοδο των πεπερασμένων στοιχείων, χρήση νευρωνικών δικτύων για επίλυση προβλημάτων ταυτοποίησης παραμέτρων και επίλυση διαφορικών εξισώσεων μέσω νευρωνικών δικτύων (physics-informed neural networks).

Αρχικά, θα παρουσιαστούν τα βασικά στοιχεία της γλώσσας Python (μεταβλητές και τύποι δεδομένων, αριθμητικές και λογικές πράξεις, βασικές ενσωματωμένες συναρτήσεις, δομή προγραμμάτων, δομές δεδομένων). Επίσης θα παρουσιαστούν όλα τα απαραίτητα στοιχεία σχετικά με τις αλγοριθμικές δομές (ροή εκτέλεσης προγραμμάτων, δομή ακολουθίας, δομές επιλογής και επανάληψης), τις συναρτήσεις (δημιουργία, κλήση και παραμετροποίηση).

Στο πλαίσιο του προγράμματος θα παρουσιαστούν οι βασικές έννοιες των τεχνητών νευρωνικών δικτύων (δομή και συστατικά μέρη, τεχνητός νευρώνας, Perceptron, βάρη και συνάψεις, αρχιτεκτονική δικτύου, συναρτήσεις ενεργοποίησης, ιδιότητες, πλεονεκτήματα και χρήσεις). Επίσης, εξετάζονται οι διάφορες μέθοδοι εκπαίδευσης. Συγκεκριμένα, εξετάζεται η εκπαίδευση με επίβλεψη (perceptron, back propagation) και η εκπαίδευση χωρίς επίβλεψη (αλγόριθμος του Hebb, ανταγωνιστική μάθηση, δίκτυα Kohonen). Επίλυση διαφορικών εξισώσεων μέσω νευρωνικών δικτύων. Σύμφωνα με αυτήν την προσέγγιση, το δίκτυο εκπαιδεύεται για να επιλύει προβλήματα που διέπονται από γενικές μη-γραμμικές μερικές διαφορικές εξισώσεις. Ανάλογα με τη φύση των διαθέσιμων δεδομένων εκπαίδευσης, τα μοντέλα διακρίνονται σε συνεχούς και διακριτού χρόνου.

Τέλος, θα γίνει εισαγωγή στο πακέτο Tensorflow χρησιμοποιώντας το Python API του Tensorflow. Για την καλύτερη κατανόηση των εμπλεκόμενων εννοιών θα καλυφθεί ένα σημαντικό μέρος των πρακτικών και εργαλείων του Tensorflow μέσα από σχετικά παραδείγματα και ασκήσεις.

Θεματικές ενότητες

Αρχές προγραμματισμού και τα βασικά της γλώσσας Python
Τεχνητά νευρωνικά δίκτυα και υλοποίηση με tensorflow
Εφαρμογές τεχνητών νευρωνικών δικτύων στη μηχανική. Επεξεργασία ευθέων προβλημάτων.
Επίλυση αντίστροφων προβλημάτων (ταυτοποίησης παραμέτρων) στη μηχανική

Εκπαιδευτές προγράμματος

Γεώργιος Σταυρουλάκης, Καθηγητής Σχολής Μηχανικών Παραγωγής και Διοίκησης Πολυτεχνείου Κρήτης. [Επιστημονικός Υπέυθυνος, στείλτε του email για περισσότερες πληροφορίες].
Ιστοσελίδα: https://www.pem.tuc.gr/index.php?id=4709

Αλίκη Μουρατίδου, PhD [amuradova@tuc.gr]

Μέθοδος εκπαίδευσης και αξιολόγησης

Η διδασκαλία των μαθημάτων γίνεται στην Ελληνική γλώσσα.
Το Πρόγραμμα διαρθρώνεται σε 4 διδακτικές ενότητες, διάρκειας 12 εβδομάδων και σύνολο 200 ωρών.
Οι παραδόσεις των μαθημάτων γίνονται εξ αποστάσεως, με σύγχρονη (35%) και ασύγχρονη διδασκαλία (30%), και συμπληρώνονται με ασκήσεις στον υπολογιστή και δια ζώσης εργαστήρια (35%)
Το εκπαιδευτικό υλικό του προγράμματος διατίθεται σταδιακά, ανά διδακτική ενότητα, μέσω ειδικά διαμορφωμένης ηλεκτρονικής τάξης (e-class)
Αξιολόγηση μέσω ατομικών θεμάτων που θα παρουσιαστούν και θα εξεταστούν

Πιστοποίηση

Στους εκπαιδευόμενους που θα ολοκληρώσουν επιτυχώς το πρόγραμμα χορηγείται Πιστοποιητικό Εξειδικευμένης Επιμόρφωσης του προγράμματος Κ.Ε.ΔΙ.ΒΙ.Μ του Πολυτεχνείου Κρήτης, εφόσον πληρούνται σωρευτικά οι ακόλουθες προϋποθέσεις:

Να έχουν παρακολουθήσει και να έχουν εξετασθεί επιτυχώς (βαθμός μεγαλύτερος του 5) σε όλες τις θεματικές ενότητες.
Οι εκπαιδευόμενοι να έχουν αποπληρώσει το σύνολο του τέλους συμμετοχής τους στο πρόγραμμα.

Στους εκπαιδευόμενους που δε πληρούν τις παραπάνω προϋποθέσεις χορηγείται απλό Πιστοποιητικό Παρακολούθησης εφόσον έχουν παρακολουθήσει το 80% των δραστηριοτήτων του προγράμματος.

Εγγραφή

Οι εγγραφές έχουν κλείσει.

Ενέργειες συμμετοχής:

Συμπληρώστε την αίτηση συμμετοχής. Κατεβάστε την από εδώ. Ακολούθως την συμπληρώνετε, την υπογράφετε και μας την στέλνετε στο kedivim<στο>tuc.gr
Καταβάλλετε το ποσό πληρωμής (μετά την εγγραφή σας και μόλις επιβεβαιωθεί η ημερομηνία έναρξης του προγράμματος η γραμματεία θα σας στείλει ένα σύνδεσμο προς την φόρμα πληρωμής)
Μετά την κατάθεσή σας παρακαλώ στείλτε ηλεκτρονικά στο e-mail kedivim<στο>tuc.gr αντίγραφο ή φωτογραφία της απόδειξης

Κόστος συμμετοχής

Το τέλος παρακολούθησης του προγράμματος είναι 670 €.

Η πληρωμή των τελών φοίτησης γίνεται είτε με εφάπαξ καταβολή, είτε σε δόσεις (σύντομα η περιγραφή των δόσεων).

Θα προβλέψουμε εκπτώσεις για : κοινωνικά κριτήρια και πολυτεκνία, εφάπαξ προπληρωμή, ανεργία και για υπαλλήλους δημόσιου τομέα.