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.
