Uniwersytet Warszawski - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Sztuczna inteligencja i systemy doradcze

Informacje ogólne

Kod przedmiotu: 1000-2N00SID Kod Erasmus / ISCED: 11.402 / (0613) Tworzenie i analiza oprogramowania i aplikacji
Nazwa przedmiotu: Sztuczna inteligencja i systemy doradcze
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty monograficzne dla III - V roku informatyki
Przedmioty obieralne dla informatyki
Przedmioty obieralne stałe dla informatyki
Punkty ECTS i inne: 6.00
zobacz reguły punktacji
Język prowadzenia: polski
Rodzaj przedmiotu:

fakultatywne

Skrócony opis:

Przedmiot ma na celu zaznajomienie studentów z technikami stosowanymi do rozwiązywania problemów, które sa trudne lub niepraktyczne przy zastosowaniu typowych metod programistycznych. Zajęcia przedstawiają studentom także najbardziej istotne specjalistyczne zastosowania komputerów i metody wykorzystywane do tych zastosowań.

Główne tematy: poszukiwanie rozwiązań w przestrzeni stanów, strategie w grach, wnioskowanie w logice, planowanie, uczenie maszynowe, zastosowania specjalistyczne.

Pełny opis:

1.Poszukiwanie rozwiązań w przestrzeni stanów: przeszukiwanie brutalne, przeszukiwanie pierwszy najlepszy, algorytm A*, hill-climbing, symulowane wyżarzanie, strategie ewolucyjne

2.Strategie w grach: gry dwuosobowe, algorytm minimax, odcięcia alfa-beta

3.Wnioskowanie w logice: reprezentacja problemu i wiedzy związanej z problemem, rachunek zdań, badanie spełnialności, logika I rzędu, metoda rezolucji, dowodzenie twierdzeń

4.Planowanie: reprezentacja STRIPS i ADL, algorytmy forward-chaining i backward-chaining, planowanie przez sprowadzenie do problemu spełnialności, planowanie hierarchiczne, dekomponowanie planów, planowanie przez analogie (system Prodigy), planowanie oparte na logice temporalnej (system TALPlanner), uczenie przez wyprowadzenie

5.Uczenie maszynowe: uczenie symboliczne (algorytm indukcji reguł), drzewa decyzyjne, sieci neuronowe (algorytm propagacji wstecznej), sieci bayesowskie, uczenie z przykładów (algorytm k najblizszych sasiadów), reinforcement learning

6.Zastosowania specjalistyczne: przetwarzanie jezyka naturalnego, rozpoznawanie twarzy, robotyka, systemy wieloagentowe

Wymagania wstępne: Logika, Algorytmy i struktury danych

Literatura:

1.Artificial Intelligence: a modern approach, S. Russell, P. Norvig, Prentice-Hall 1995

2.Artificial Intelligence: structures and strategies for complex problem solving, G. Luger, Addison Wesley 1997

Efekty kształcenia:

Celem zajęć jest przedstawienie podstaw oraz zastosowań wybranych metod sztucznej inteligencji i systemów doradczych. Student powinien nabyć umiejętność rozwiązywania złożonych problemów obliczeniowych przy użyciu omawianych metod. Powinien także posiąść wiedzę, na ile omawiane metody mogą być przydatne w projektach, w których bierze udział. Zakładamy, że student po zakończeniu zajęć:

1. Zna i umie zastosować heurystyczne metody przeszukiwania przestrzeni stanów, takie jak na przykład A*, symulowane wyżarzanie, czy też strategie szukania rozwiązań z dodatkowymi więzami.

2. Zna i umie zamodelować strategie w grach dwuosobowych, oparte na przykład na algorytmach typu minimax oraz odcięciach alfa-beta.

3. Zna podstawy reprezentacji wiedzy i wnioskowań w rachunku zdań i logice I rzędu, a także aproksymacyjne metody reprezentacji wiedzy, takie jak logika rozmyta, sieci bayesowskie i zbiory przybliżone.

4. Zna i umie zastosować podstawowe metody planowania, w tym algorytmy forward-chaining i backward-chaining, oraz planowanie przez sprowadzenie do problemu spełnialności.

5. Zna i umie zastosować wybrane techniki systemów uczących się, zarówno jeżeli chodzi o modele symboliczne (np. drzewa decyzyjne), jak i numeryczne (np. sztuczne sieci neuronowe).

Metody i kryteria oceniania:

Na pomyślne zaliczenie przedmiotu składają się ćwiczenia (zaliczenie) oraz egzamin (ocena). Zaliczenie ćwiczeń jest warunkiem koniecznym i dostatecznym dla przystąpienia do egzaminu.

Istotnymi warunkami dla zaliczenia ćwiczeń jest regularna obecność na ćwiczeniach oraz kolokwium, na którym studenci rozwiązują zadania na zastosowanie metod sztucznej inteligencji. Warunkiem dodatkowym lub alternatywnym jest rozwiązywanie prac domowych. Dalsze szczegóły ustalają osoby prowadzące poszczególne grupy ćwiczeniowe.

Uczęszczanie na wykład nie jest obowiązkowe, lecz wskazane dla pełnego zrozumienia materiału.

Egzamin ma formę pisemną. Jest złożony z zadań na zastosowanie metod sztucznej inteligencji. Na egzaminie można korzystać z materiałów własnych, ale zadania trzeba rozwiązywać indywidualnie.

Zajęcia w cyklu "Semestr letni 2018/19" (zakończony)

Okres: 2019-02-16 - 2019-06-08
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Dominik Ślęzak
Prowadzący grup: Barbara Dunin-Kęplicz, Ewa Madalińska-Bugaj, Marcin Szczuka, Dominik Ślęzak
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin

Zajęcia w cyklu "Semestr letni 2019/20" (jeszcze nie rozpoczęty)

Okres: 2020-02-17 - 2020-06-10
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Dominik Ślęzak
Prowadzący grup: Ewa Madalińska-Bugaj, Anh Linh Nguyen, Marcin Szczuka, Dominik Ślęzak
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.