Artificial Intelligence

General data

Course ID:	3501-KOG-SI
Erasmus code / ISCED:	11.402 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0613) Software and applications development and analysis The ISCED (International Standard Classification of Education) code has been designed by UNESCO.
Course title:	Artificial Intelligence
Name in Polish:	Sztuczna inteligencja
Organizational unit:	Institute of Philosophy
Course groups:
ECTS credit allocation (and other scores):	(not available) Basic information on ECTS credits allocation principles: the annual hourly workload of the student’s work required to achieve the expected learning outcomes for a given stage is 1500-1800h, corresponding to 60 ECTS; the student’s weekly hourly workload is 45 h; 1 ECTS point corresponds to 25-30 hours of student work needed to achieve the assumed learning outcomes; weekly student workload necessary to achieve the assumed learning outcomes allows to obtain 1.5 ECTS; work required to pass the course, which has been assigned 3 ECTS, constitutes 10% of the semester student load. view allocation of credits
Language:	Polish
Prerequisites (description):	(in Polish) Znajomość języka angielskiego, podstawowe umiejętności programowania
Short description:	The course aims to acquaint students with the classical techniques used in computer science to solve the problems of traditionally understood artificial intelligence. The main topics are: intelligent agents, logical inference, searching, machine learning, planning.
Full description:	(in Polish) Podstawowym celem zajęć jest przedstawienie głównych idei, które pojawiły się w badaniach nad sztuczną inteligencją w ciągu ostatnich 50 lat. Idee te przyświecały próbom stworzenia inteligentnego agenta (robota), który zbiera informacje ze środowiska i podejmuje stosowne działania. Przejście od percepcji do działania wymaga reprezentacji wiedzy, rozumowania i wnioskowania (logicznego lub probabilistycznego), planowania i uczenia, a wdrażane było w logice lub sieciach neuronowych. Istotnym elementem zajęć będzie też omówienie założeń metodologicznych klasycznej sztucznej inteligencji i konkurencyjnych rozwiązań w postaci inteligencji ucieleśnionej i umiejscowionej. Zakres poszczególnych tematów wspólny dla ćwiczeń i wykładu 1. Wprowadzenie: historia dyscypliny i pojęcie inteligentnego agenta. 2. Wnioskowanie w logice: Wnioskowanie wprzód i wstecz. Wnioskowanie przez rezolucję. Poprawność i zupełność procedur wnioskowania. Efektywność wnioskowania. 3. Planowanie. 4. Wiedza niepewna i rozumowanie probabilistyczne: twierdzenie Bayes’a i sieci bayesowskie 5. Uczenie: indukcja, systemy regułowe, sieci neuronowe 6. Problemy metodologiczne tradycyjnej sztuczna inteligencji: problem ramy w ujęciu logicznym i filozoficznym, krytyka Dreyfusa, inteligencja ucieleśniona i umiejscowiona
Bibliography:	(in Polish) Literatura podstawowa: Artificial Intelligence. A Modern Approach. Stuart J. Russell and Peter Norvig Prentice Hall. ISBN: 0-13-790395-2
Learning outcomes:	(in Polish) nabyta wiedza - student zna podstawowe, klasyczne algorytmy stosowane do wnioskowania w sztucznej inteligencji [K_W01, K_W03, K_W04, K_W05, K_W06, K_W09] - student zna zasady działania systemów planowania [K_W01, K_W03, K_W09] - student zna zasady reprezentacji i wnioskowania o wiedzy niepewnej [K_W01, K_W03, K_W06, K_W09] - student zna podstawowe metody uczenia maszynowego [K_W01, K_W03, K_W04, K_W06, K_W09] - student potrafi wskazać najistotniejsze bariery, na jakie napotykają badania nad zbudowaniem inteligentnego agenta [K_W01, K_W03] nabyte umiejętności - student potrafi zapisać proste zdania w postaci stosownej reprezentacji logicznej i przeprowadzić w niej wnioskowanie [K_K01, K_U03, K_U08, K_U09] - potrafi opisać metodę generowania planu założonego działania i wskazać na bariery tej metody [K_U03, K_U08] - potrafi odróżnić i ocenić efektywność konkurencyjnych systemów uczenia maszynowego [K_U03, K_U08, K_U09] - potrafi posługiwać się pojęciami używanymi przez badaczy sztucznej inteligencji [K_U01] - potrafi wskazać i uzasadnić zalety i wady konkurencyjnych założeń metodologicznych w sztucznej inteligencji [K_U01, K_U08] nabyte kompetencje społeczne - student umie uważnie słuchać wypowiedzi innych osób, a także brać udział w dyskusji [K_K02, K_K07, K_K08, K_K09, K_K10, K_K11]
Assessment methods and assessment criteria:	(in Polish) wykład: egzamin pisemny (100%) ćwiczenia: aktywna praca na zajęciach Liczba dopuszczalnych nieobecności podlegających usprawiedliwieniu: 2

This course is not currently offered.

Course descriptions are protected by copyright.
Copyright by University of Warsaw.