Nazwa przedmiotu:
Metody sztucznej inteligencji
Koordynator przedmiotu:
Dr inż. Felicja Okulicka-Dłużewska
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia I stopnia
Program:
Informatyka
Grupa przedmiotów:
Wspólne
Kod przedmiotu:
1120-IN000-ISP-0037
Semestr nominalny:
7 / rok ak. 2015/2016
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. godziny kontaktowe – 50 h; w tym a) obecność na wykładach – 15 h b) obecność na laboratoriach – 30 h c) konsultacje – 5 h 2. praca własna studenta – 55 h; w tym a) przygotowanie do zajęć laboratoryjnych – 30 h b) zapoznanie się z literaturą – 10 h c) przygotowanie do egzaminu i obecność na egzaminie – 15 h Razem 105 h, co odpowiada 4 pkt. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
1. obecność na wykładach – 15 h 2. obecność na laboratoriach – 30 h 3. konsultacje – 5 h Razem 50 h, co odpowiada 2 pkt. ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
1. obecność na laboratoriach – 30 h 2. przygotowanie do zajęć laboratoryjnych – 30 h Razem 60 h, co odpowiada 2 pkt. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład15h
  • Ćwiczenia0h
  • Laboratorium30h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
brak
Limit liczby studentów:
Ćwiczenia – 30 os/grupa, Laboratoria (ćwiczenia komputerowe) – 15-24 os/grupa
Cel przedmiotu:
Celem przedmiotu jest zapoznanie studentów z podstawowymi pojęciami z dziedziny metod sztucznej inteligencji oraz nabycie przez nich umiejętności teoretycznych i praktycznych z zakresu modelowania systemów decyzyjnych opartych na przeszukiwaniu heurystycznym, automatycznym wnioskowaniu poprzez zasadę rezolucji oraz przetwarzania wiedzy zamodelowanej przy pomocy zbiorów rozmytych i przybliżonych. Po ukończeniu kursu studenci powinni znać podstawowe pojęcia z metod sztucznej inteligencji oraz posiadać umiejętność: - modelowania problemów przeszukiwania przy pomocy grafów - zaprojektowania i implementacji odpowiedniej metody heurystycznej wraz z heurystyką - modelowania problemów w logice i przeprowadzenia prostego wywodu rewolucyjnego - modelowania problemów z niepełną informacją przy pomocy zbiorów przybliżonych i wnioskowania - modelowania problemów z niepełną informacją przy pomocy zbiorów rozmytych i wnioskowania w logice rozmytej - skonstruowania prostego systemu eksperckiego
Treści kształcenia:
Modelowanie przy pomocy grafów. Strategie przeszukiwania heurystycznego dla grafów OR ( w głąb, wszerz, baktraking, best first, uniform cost, A*). Strategie przeszukiwania heurystycznego dla grafów AND/OR (konwencje: min-max, neg-max, a-b prunning, SSS*, SCOUT). Metody automatycznego wnioskowania, zasada rezolucji. Algorytmy genetyczne – podstawy działania
Metody oceny:
W ramach laboratorium studenci uruchamiają program w dowolnym języku. Do zaliczenia wymagane jest przedstawienie programu, przetestowanie go i zinterpretowanie wyników. Warunkiem z dopuszczenia do egzaminu jest zaliczenie laboratorium. Egzamin składa się z części pisemnej i ustnej. Na ocenę ostateczną składają się: ocena z laboratorium z wagą 0.4 oraz ocena z egzaminu z wagą 0.6.
Egzamin:
tak
Literatura:
1. Skrypt przygotowany przez prowadzącego 2. Judea Pearl, Heuristics; 3. Bolc, Cytowski, Metody przeszukiwania heurystycznego; 4. Shapiro, Encyclopedia of AI
Witryna www przedmiotu:
e.mini.pw.edu.pl
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt W01
Ma uporządkowaną, podbudowaną teoretycznie wiedzę ogólną w zakresie sztucznej inteligencji
Weryfikacja: egzamin pisemny
Powiązane efekty kierunkowe: K_W07
Powiązane efekty obszarowe: T1A_W03
Efekt W02
Ma szczegółową wiedzę nt. sztucznej inteligencji
Weryfikacja: egzamin pisemny
Powiązane efekty kierunkowe: K_W08
Powiązane efekty obszarowe: T1A_W04
Efekt W03
Zna podstawowe metody, techniki i narzędzia stosowane przy rozwiązywaniu prostych zadań informatycznych z sztucznej inteligencji
Weryfikacja: egzamin pisemny
Powiązane efekty kierunkowe: K_W12
Powiązane efekty obszarowe: T1A_W07

Profil ogólnoakademicki - umiejętności

Efekt U01
Potrafi modelować problemy przy pomocy grafów stanów i wykorzystać wiedzę teoretyczną do analizy i rozwiązania tych problemów
Weryfikacja: egzamin pisemny
Powiązane efekty kierunkowe: K_U03, K_U04
Powiązane efekty obszarowe: T1A_U09, T1A_U09
Efekt U02
Potrafi planować i testować zaprogramowane metody
Weryfikacja: ocena wykonanego projektu
Powiązane efekty kierunkowe: K_U08
Powiązane efekty obszarowe: T1A_U08, T1A_U16
Efekt U03
Ma umiejętność rozwiązywania prostych zagadnień z zakresu sztucznej inteligencji, formułowania algorytmów i projektowania prostych systemów informatycznych
Weryfikacja: ocena wykonanego projektu
Powiązane efekty kierunkowe: K_U23
Powiązane efekty obszarowe: T1A_U09, T1A_U16

Profil ogólnoakademicki - kompetencje społeczne

Efekt K01
Potrafi wykazać się skutecznością w realizacji projektów o charakterze naukowo-badawczym
Weryfikacja: ocena wykonanego projektu
Powiązane efekty kierunkowe: K_K06
Powiązane efekty obszarowe: T1A_K03, T1A_K04, T1A_K06