Sztuczna inteligencja

Z Studia Informatyczne
Wersja z dnia 12:13, 19 cze 2006 autorstwa Marcinm (dyskusja | edycje)
(różn.) ← poprzednia wersja | przejdź do aktualnej wersji (różn.) | następna wersja → (różn.)
Przejdź do nawigacjiPrzejdź do wyszukiwania

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.