Sztuczna inteligencja

Autor sylabusa

dr inż. Jarosław Arabas

jarabas@ise.pw.edu.pl

Nazwa zajęć

Wstęp do sztucznej inteligencji

Typ zajęć

wykład (30 godz.) + projekt (15 godz.)

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)

Wymagania wstępne

• Analiza matematyczna
• Logika matematyczna
• Programowanie

Sylabus

• 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)
• Wnioskowanie I (Ćwiczenia)
• Wnioskowanie w PROLOG'u (Ćwiczenia)