Sztuczna inteligencja: Różnice pomiędzy wersjami
Z Studia Informatyczne
Przejdź do nawigacjiPrzejdź do wyszukiwania
Tytuły modułów |
Nie podano opisu zmian |
||
| 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 będa w skrócie metody wnioskowania dedukcyjnego i indukcyjnego. Po zakończeniu wykładu słuchacz powinien biegle się posługiwać 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 dosarczanych w niekomercyjnych środowiskach testowych (np. R, Octave, OpenOffice) | |||
== Sylabus == | |||
== | |||
== | === Autor === | ||
Jarosław Arabas | |||
===Wymagania wstępne=== | === Wymagania wstępne === | ||
*Analiza matematyczna | *Analiza matematyczna | ||
*Logika matematyczna | *Logika matematyczna | ||
*Programowanie | *Programowanie | ||
===Zawartość=== | === 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 31: | Linia 28: | ||
*Sieci neuronowe, problem uczenia perceptronu wielowarstwowego | *Sieci neuronowe, problem uczenia perceptronu wielowarstwowego | ||
*Uczenie ze wzmocnieniem - sfromułowanie zadania, dyskusja funkcji wartości, uczenie ze wzmocnieniem jako metoda aproksymacji funkcji wartości | *Uczenie ze wzmocnieniem - sfromułowanie zadania, dyskusja funkcji wartości, uczenie ze wzmocnieniem jako metoda aproksymacji funkcji wartości | ||
===Literatura=== | === Literatura === | ||
*G. Luger, Artificial intelligence, WNT, w przygotowaniu (lub wersja angielska). | *G. Luger, Artificial intelligence, WNT, w przygotowaniu (lub wersja angielska). | ||
*P. Cichosz. Systemy uczące się. WNT, 2000. | *P. Cichosz. Systemy uczące się. WNT, 2000. | ||
| Linia 37: | Linia 34: | ||
*J. Arabas. Wykłady z algorytmów ewolucyjnych. WNT, 2001. | *J. Arabas. Wykłady z algorytmów ewolucyjnych. WNT, 2001. | ||
==Moduły== | == Moduły == | ||
* [[Sztuczna_inteligencja/SI Moduł 1| O czym jest ten przedmiot]] ([[SI Ćwiczenia 1|Ćwiczenia]]) | * [[Sztuczna_inteligencja/SI Moduł 1| O czym jest ten przedmiot]] ([[SI Ćwiczenia 1|Ćwiczenia]]) | ||
* [[Sztuczna_inteligencja/SI Moduł 2| Od logiki do wnioskowania]] ([[SI Ćwiczenia 2|Ćwiczenia]]) | * [[Sztuczna_inteligencja/SI Moduł 2| Od logiki do wnioskowania]] ([[SI Ćwiczenia 2|Ćwiczenia]]) | ||
Wersja z 09:02, 7 lip 2006
Forma zajęć
Wykład (30 godzin) + projekt (15 godzin)
Opis
Celem wykładu jest zarysowanie podstawowych technik sztucznej inteligencji i ujęcie ich w kontekście algorytmicznym. Omówione będa w skrócie metody wnioskowania dedukcyjnego i indukcyjnego. Po zakończeniu wykładu słuchacz powinien biegle się posługiwać 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 dosarczanych w niekomercyjnych środowiskach testowych (np. R, Octave, OpenOffice)
Sylabus
Autor
Jarosław Arabas
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 własciwości 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 własciwości 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 - sfromułowanie zadania, dyskusja funkcji wartości, uczenie ze wzmocnieniem jako metoda aproksymacji funkcji wartości
Literatura
- G. Luger, Artificial intelligence, WNT, w przygotowaniu (lub wersja angielska).
- P. Cichosz. Systemy uczące się. WNT, 2000.
- S. Osowski. Sieci neuronowe w ujęciu algorytmicznym. WNT, 1999.
- J. Arabas. Wykłady z algorytmów ewolucyjnych. WNT, 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)
- Moduł (Ćwiczenia)
- Klasyfikacja (Ćwiczenia)
- Aproksymacja (Ćwiczenia)
- Sieci neuronowe (Ćwiczenia)
- Uczenie się ze wzmocnieniem (Ćwiczenia)
