Sztuczna inteligencja i systemy doradcze

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

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).