Sztuczna inteligencja

From Studia Informatyczne

Spis treści

Forma zajęć

Wykład (30 godzin) + projekt (15 godzin)

Opis

Celem wykładu jest zarysowanie podstawowych technik sztucznej inteligencji i ujęcie ich w kontekście algorytmicznym. Omówione będą w skrócie metody wnioskowania dedukcyjnego i indukcyjnego. Po zakończeniu wykładu słuchacz powinien biegle posługiwać się technikami sztucznej inteligencji we wspieraniu procesów podejmowania decyzji, takich jak np. prognozowanie, planowanie, diagnostyka, sterowanie. W ramach projektu słuchacze będą samodzielnie implementować jeden z omawianych algorytmów lub badać właściwości algorytmów dla różnych danych testowych, korzystając z gotowych implementacji dostarczanych w niekomercyjnych środowiskach testowych (np. R, Octave, OpenOffice)

Sylabus

Autorzy

  • Jarosław Arabas — Politechnika Warszawska
  • Paweł Cichosz — Politechnika Warszawska

Wymagania wstępne

  • Analiza matematyczna
  • Logika matematyczna
  • Programowanie

Zawartość

  • Znaczenie inteligencji, inteligencja naturalna i sztuczna, zakres badań nad sztuczną inteligencją
  • Wnioskowanie - sformułowanie zadania, składnia i semantyka języka logiki, budowa systemu automatycznego wnioskowania
  • Język PROLOG jako przykładowy system wnioskowania, realizacja zasady wnioskowania automatycznego, przykładowe predykaty, PROLOG jako język deklaratywny
  • Rola niedoskonałej wiedzy we wnioskowaniu - wnioskowanie Bayesowskie, logika rozmyta
  • Wnioskowanie jako zadanie przeszukiwania przestrzeni, strategie przeszukiwania w głąb i wszerz
  • Metoda przeszukiwania przestrzeni najpierw najlepszy, rola i pożądane właściwości funkcji oceniającej i funkcji heurystycznej
  • Przegląd wybranych strategii przeszukiwania przestrzeni - metoda wzrostu, błądzenia przypadkowego symulowanego wyżarzania
  • Strategie gier dwuosobowych, algorytm MINMAX i przycinanie alfa-beta
  • Zadanie wnioskowania indukcyjnego, dyskusja właściwości atrybutów warunkowych, zasada uczenia z nauczycielem, pojęcie funkcji błędu, problem generalizacji, rola zbioru trenującego i testowego
  • Metody konstrukcji drzew decyzyjnych
  • Regresja liniowa i nieliniowa, reguła delta
  • Sieci neuronowe, problem uczenia perceptronu wielowarstwowego
  • Uczenie ze wzmocnieniem - sformułowanie zadania, dyskusja funkcji wartości, uczenie ze wzmocnieniem jako metoda aproksymacji funkcji wartości

Literatura

  • G. Luger, Artificial intelligence, Wydawnictwa Naukowo-Techniczne, w przygotowaniu (lub wersja angielska).
  • P. Cichosz, Systemy uczące się, Wydawnictwa Naukowo-Techniczne, Warszawa 2000.
  • S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa 1999.
  • J. Arabas, Wykłady z algorytmów ewolucyjnych, Wydawnictwa Naukowo-Techniczne, Warszawa 2001.

Moduły