Sztuczna inteligencja: Różnice pomiędzy wersjami
Z Studia Informatyczne
Przejdź do nawigacjiPrzejdź do wyszukiwania
Nie podano opisu zmian |
|||
| (Nie pokazano 21 wersji utworzonych przez 2 użytkowników) | |||
| Linia 1: | Linia 1: | ||
== | == 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 === | |||
==Wymagania wstępne== | |||
*Analiza matematyczna | *Analiza matematyczna | ||
*Logika matematyczna | *Logika matematyczna | ||
*Programowanie | *Programowanie | ||
== | === Zawartość === | ||
*Znaczenie inteligencji, inteligencja naturalna i sztuczna, zakres badań nad sztuczną inteligencją | *Znaczenie inteligencji, inteligencja naturalna i sztuczna, zakres badań nad sztuczną inteligencją | ||
*Wnioskowanie - sformułowanie zadania, składnia i semantyka języka logiki, budowa systemu automatycznego wnioskowania | *Wnioskowanie - sformułowanie zadania, składnia i semantyka języka logiki, budowa systemu automatycznego wnioskowania | ||
| Linia 20: | Linia 21: | ||
*Rola niedoskonałej wiedzy we wnioskowaniu - wnioskowanie Bayesowskie, logika rozmyta | *Rola niedoskonałej wiedzy we wnioskowaniu - wnioskowanie Bayesowskie, logika rozmyta | ||
*Wnioskowanie jako zadanie przeszukiwania przestrzeni, strategie przeszukiwania w głąb i wszerz | *Wnioskowanie jako zadanie przeszukiwania przestrzeni, strategie przeszukiwania w głąb i wszerz | ||
*Metoda przeszukiwania przestrzeni | *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 | *Przegląd wybranych strategii przeszukiwania przestrzeni - metoda wzrostu, błądzenia przypadkowego symulowanego wyżarzania | ||
*Strategie gier dwuosobowych, algorytm MINMAX i przycinanie alfa-beta | *Strategie gier dwuosobowych, algorytm MINMAX i przycinanie alfa-beta | ||
*Zadanie wnioskowania indukcyjnego, dyskusja | *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 | *Metody konstrukcji drzew decyzyjnych | ||
*Regresja liniowa i nieliniowa, reguła delta | *Regresja liniowa i nieliniowa, reguła delta | ||
*Sieci neuronowe, problem uczenia perceptronu wielowarstwowego | *Sieci neuronowe, problem uczenia perceptronu wielowarstwowego | ||
*Uczenie ze wzmocnieniem - | *Uczenie ze wzmocnieniem - sformułowanie zadania, dyskusja funkcji wartości, uczenie ze wzmocnieniem jako metoda aproksymacji funkcji wartości | ||
==Literatura== | |||
*G. Luger, Artificial intelligence, | === Literatura === | ||
*P. Cichosz | *G. Luger, ''Artificial intelligence'', Wydawnictwa Naukowo-Techniczne, w przygotowaniu (lub wersja angielska). | ||
*S. Osowski | *P. Cichosz, ''Systemy uczące się'', Wydawnictwa Naukowo-Techniczne, Warszawa 2000. | ||
*J. Arabas | *S. Osowski, ''Sieci neuronowe w ujęciu algorytmicznym'', Wydawnictwa Naukowo-Techniczne, Warszawa 1999. | ||
*J. Arabas, ''Wykłady z algorytmów ewolucyjnych'', Wydawnictwa Naukowo-Techniczne, Warszawa 2001. | |||
== Moduły == | |||
* [[Sztuczna_inteligencja/SI Moduł 1 - O czym jest ten przedmiot| O czym jest ten przedmiot]] ([[Sztuczna_inteligencja/SI Ćwiczenia 1|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 2 - Od logiki do wnioskowania| Od logiki do wnioskowania]] ([[Sztuczna_inteligencja/SI Ćwiczenia 2|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 3 - Wnioskowanie w PROLOG-u| Wnioskowanie w PROLOG-u]] ([[Sztuczna_inteligencja/SI Ćwiczenia 3|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 4 - Wnioskowanie na podstawie wiedzy niepewnej i niepełnej| Wnioskowanie na podstawie wiedzy niepewnej i niepełnej]] ([[Sztuczna_inteligencja/SI Ćwiczenia 4|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 5 - Wnioskowanie jako metoda przeszukiwania| Wnioskowanie jako metoda przeszukiwania]] ([[Sztuczna_inteligencja/SI Ćwiczenia 5|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 6| Strategie przeszukiwania z funkcją oceny]] ([[Sztuczna_inteligencja/SI Ćwiczenia 6|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 7| Metody przeszukiwania losowego]] ([[Sztuczna_inteligencja/SI Ćwiczenia 7|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 8 - Gry dwuosobowe| Gry dwuosobowe]] ([[Sztuczna_inteligencja/SI Ćwiczenia 8|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 9 - Wnioskowanie indukcyjne| Wnioskowanie indukcyjne]] ([[Sztuczna_inteligencja/SI Ćwiczenia 9|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 10 - Zadanie i metody klasyfikacji| Zadanie i metody klasyfikacji]] ([[Sztuczna_inteligencja/SI Ćwiczenia 10|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 11 - Zadanie i metody regresji| Zadanie i metody regresji ]] ([[Sztuczna_inteligencja/SI Ćwiczenia 11|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 12| Sieci neuronowe]] ([[Sztuczna_inteligencja/SI Ćwiczenia 12|Ćwiczenia]]) | |||
* [[Sztuczna_inteligencja/SI Moduł 13 - Uczenie się ze wzmocnieniem| Uczenie się ze wzmocnieniem]] ([[Sztuczna_inteligencja/SI Ćwiczenia 13|Ćwiczenia]]) | |||
Aktualna wersja na dzień 21:56, 28 sty 2008
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
- O czym jest ten przedmiot (Ćwiczenia)
- Od logiki do wnioskowania (Ćwiczenia)
- Wnioskowanie w PROLOG-u (Ćwiczenia)
- Wnioskowanie na podstawie wiedzy niepewnej i niepełnej (Ćwiczenia)
- Wnioskowanie jako metoda przeszukiwania (Ćwiczenia)
- Strategie przeszukiwania z funkcją oceny (Ćwiczenia)
- Metody przeszukiwania losowego (Ćwiczenia)
- Gry dwuosobowe (Ćwiczenia)
- Wnioskowanie indukcyjne (Ćwiczenia)
- Zadanie i metody klasyfikacji (Ćwiczenia)
- Zadanie i metody regresji (Ćwiczenia)
- Sieci neuronowe (Ćwiczenia)
- Uczenie się ze wzmocnieniem (Ćwiczenia)
