Κύριος στόχος της ΠΛΗ31: Τεχνητή Νοημοσύνη- Εφαρμογές είναι να γνωρίσουν οι φοιτητές την Πληροφορική ως μια εφαρμοσμένη επιστήμη, η οποία προσπαθεί να γεφυρώσει το χάσμα ανάμεσα στον άνθρωπο και τις μηχανές.

Ακόμη και σήμερα, αν και η επιστήμη αυτή έχει εμφανίσει αλματώδη ανάπτυξη, δεν έχει καταφέρει να παρουσιάσει ηλεκτρονικούς υπολογιστές απαλλαγμένους από τα κλασσικά μειονεκτήματα μιας μηχανής. Έτσι, εκτός από λίγες εξαιρέσεις, δεν υπάρχουν σήμερα μηχανές που είναι σε θέση να επικοινωνήσουν με τον άνθρωπο σε φυσική γλώσσα, να απαντούν σε ερωτήσεις για διάφορα συγκεκριμένα προβλήματα (εκτός αν είναι εφοδιασμένοι με μια κατάλληλη μέθοδο επίλυσης) ή να αποκτούν εμπειρίες και να μαθαίνουν από τις αποτυχίες και τα λάθη τους.

 Η περιοχή της επιστήμης που ασχολείται με αυτού του είδους τα προβλήματα καλείται Τεχνητή Νοημοσύνη και έχει ως κύριο στόχο της να γίνει ο υπολογιστής πιο έξυπνος και κατ' επέκταση πιο χρήσιμος, αφού θα είναι σε θέση να ανταποκρίνεται πολύ καλύτερα στις ανάγκες και τις επιθυμίες του ανθρώπου. Από αυτή τη σκοπιά, Τεχνητή Νοημοσύνη (ΤΝ) ονομάζεται η μελέτη των τεχνικών και των διεργασιών, που δίνουν σε ένα υπολογιστή τη δυνατότητα να αποκτά διανοητικές ικανότητες ανάλογες με αυτές που διαθέτει ο ανθρώπινος εγκέφαλος. Υπολογιστική Νοημοσύνη (ΥΝ) είναι το τμήμα της ΤΝ, το οποίο προέρχεται από την προσπάθεια εξομοίωσης νοητικών και γενετικών λειτουργιών των έμβιων όντων. Στην κατηγορία αυτή ανήκουν τα Νευρωνικά Δίκτυα (ΝΔ) και οι Γενετικοί αλγόριθμοι (ΓΑ).

Μαθησιακά Αποτελέσματα: με την ολοκλήρωση της ΠΛΗ31: Τεχνητή Νοημοσύνη-Εφαρμογές ο φοιτητής θα μπορεί,

- να δρομολογεί τη διαδικασία επίλυσης ενός προβλήματος με την εκλογή της κατάλληλης αναπαράστασης για το χώρο καταστάσεων και να εφαρμόζει τους βασικούς (εξαντλητικούς, ευρετικούς) αλγόριθμους αναζήτησης

- να αναπαριστά γνώση χρησιμοποιώντας κατηγορηματική λογική και να μετασχηματίζει τη γνώση αυτή με τρόπο που να επιδέχεται συμπερασματολογία μέσω αναγωγής

- να επιλύει ένα πρόβλημα αναζήτησης ή βελτιστοποίησης με χρήση γενετικών αλγορίθμων, κάνοντας κατάλληλες εκλογές κωδικοποίησης και γενετικών τελεστών

- να επιλέγει πειραματικά την κατάλληλη αρχιτεκτονική ενός νευρωνικού δικτύου για την επίλυση ενός προβλήματος ταξινόμησης ή πρόβλεψης

- να χρησιμοποιεί κατάλληλα προγραμματιστικά εργαλεία ή περιβάλλοντα για την υλοποίηση των παραπάνω τεχνικών

- να συνδυάζει τεχνικές αναπαράστασης, αναζήτησης, πρόβλεψης και συμπερασματολογίας ώστε να μπορεί να αναπτύξει συστήματα που χρησιμοποιούν υβριδικές προσεγγίσεις.