Sztuczna inteligencja

Z Studia Informatyczne
Przejdź do nawigacjiPrzejdź do wyszukiwania
The printable version is no longer supported and may have rendering errors. Please update your browser bookmarks and please use the default browser print function instead.

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, Wydawnictwa Naukowo-Techniczne, w przygotowaniu (lub wersja angielska).
  • P. Cichosz, Systemy uczące się, Wydawnictwa Naukowo-Techniczne, Warszawa 2000.
  • S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa 1999.
  • J. Arabas, Wykłady z algorytmów ewolucyjnych, Wydawnictwa Naukowo-Techniczne, Warszawa 2001.

Moduły