Sztuczna inteligencja

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, 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)
• Wnioskowanie indukcyjne (Ćwiczenia)
• Zadanie i metody klasyfikacji (Ćwiczenia)
• Zadanie i metody regresji (Ćwiczenia)
• Sieci neuronowe (Ćwiczenia)
• Uczenie się ze wzmocnieniem (Ćwiczenia)