- Nazwa przedmiotu:
- Podstawy sztucznej inteligencji
- Koordynator przedmiotu:
- Paweł WAWRZYŃSKI
- Status przedmiotu:
- Fakultatywny ograniczonego wyboru
- Poziom kształcenia:
- Studia I stopnia
- Program:
- Informatyka
- Grupa przedmiotów:
- Przedmioty techniczne
- Kod przedmiotu:
- PSZT
- Semestr nominalny:
- 5 / rok ak. 2015/2016
- Liczba punktów ECTS:
- 4
- Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- 30 - wykład,
15 - realizacja zadania projektowego
15 - przygotowanie się do kolokwiów i realizacji projektu.
- Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
- 3
- Język prowadzenia zajęć:
- polski
- Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
- 1
- Formy zajęć i ich wymiar w semestrze:
-
- Wykład30h
- Ćwiczenia0h
- Laboratorium0h
- Projekt15h
- Lekcje komputerowe0h
- Wymagania wstępne:
- Na poziomie początku drugiego roku studiów:
- Analiza matematyczna
- Logika matematyczna
- Probabilistyka
- Programowanie
- Limit liczby studentów:
- 100
- Cel przedmiotu:
- 1. Prezentacja zasad automatycznego wnioskowania oraz konstrukcji systemów wnioskujących w oparciu o logikę.
2. Wprowadzenie do różnych gałęzi tzw. miękkiej sztucznej inteligencji (czy inteligencji obliczeniowej), takich jak algorytmy ewolucyjne, uczenie maszynowe i sieci neuronowe. Wprowadzenie to jest na poziomie wystarczającym do implementacji podstawowych algorytmów z każdej z tych gałęzi.
- Treści kształcenia:
- Część I. Wnioskowanie
1. Rachunek zdań: Reprezentacja wiedzy - składnia, semantyka. Procedury wnioskowania w rachunku zdań.
2. Logika predykatów: Składnia i semantyka logiki predykatów. Postaci normalne formuł. Procedury wnioskowania w rachunku predykatów. Poprawność i zupełność wnioskowania.
3. Systemy eksperckie: Struktura systemu eksperckiego. Przykłady takich systemów.
Część II. Przeszukiwanie
4. Algorytmy ewolucyjne: Wprowadzenie do zagadnień przeszukiwania. Algorytm (1+1), algorytm (mu+lambda).
5. Algorytmy genetyczne: Kodowanie osobników, reprodukcja, krzyżowanie, mutacja.
6. Przeszukiwanie przestrzeni sekwencji: przeszukiwanie w głąb, w szerz, A*, IDA*.
7. Gry dwuosobowe: Drzewo gry. Strategia minimaksowa. Przycinanie alfa-beta.
Część III. Uczenie maszynowe
8. Sieci neuronowe: Zadanie aproksymacji. Definicja perceptronu dwuwarstwowego i wielowarstwowego. Algorytm wstecznej propagacji. Uczenie off-line i on-line.
9. Uczenie ze wzmocnieniem: Zadania uczenia ze wzmocnieniem. Model procesu decyzyjnego Markowa. Algorytm Q-learning.
- Metody oceny:
- 30% pierwsze kolokwium,
30% drugie kolokwium,
40% projekt
- Egzamin:
- nie
- Literatura:
- Paweł Wawrzyński, Podstawy Sztucznej Inteligencji, Oficyna Wydawnicza Politechniki Warszawskiej, 2014.
Stuart J. Russel, Peter Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall, 2002.
Wiesław Traczyk, Inżynieria Wiedzy, EXIT, 2010.
Paweł Cichosz, Systemy Uczące Się, WNT, 2000.
Leszek Rutkowski, Metody i Techniki Sztucznej Inteligencji, PWN, 2006.
- Witryna www przedmiotu:
- http://eres.elka.pw.edu.pl/eres/wwersje$.startup?Z_ID_PRZEDMIOTU=PSZT&Z_NR_WERSJI=1&Z_CHK=34503
- Uwagi:
Efekty uczenia się
Profil praktyczny - wiedza
- Efekt Wpisz opis
- Wpisz opis
Weryfikacja: Wpisz opis
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
- Efekt
-
Weryfikacja:
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Profil praktyczny - umiejętności
- Efekt Wpisz opis
- Wpisz opis
Weryfikacja: Wpisz opis
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Profil praktyczny - kompetencje społeczne
- Efekt Wpisz opis
- Wpisz opis
Weryfikacja: Wpisz opis
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
Profil ogólnoakademicki - wiedza
- Efekt
- Znajomość podstaw wszystkich głównych gałęzi sztucznej inteligencji: automatycznego wnioskowania, metod przeszukiwania, w tym metod ewolucyjnych i genetycznych, systemów rozmytych oraz uczenia maszynowego. Pogłębiona wiedza dotycząca automatycznego wnioskowania w zakresie: reprezentacji wiedzy w języku logiki, konstrukcji systemów eksperckich, a także teoretycznych podstaw logiki i wnioskowania.
Weryfikacja: Kolokwium
Powiązane efekty kierunkowe:
K_W21
Powiązane efekty obszarowe:
T1A_W07
Profil ogólnoakademicki - umiejętności
- Efekt
- W obszarze automatycznego wnioskowania student potrafi: oprogramować silnik wnioskujący, skonstruować i zaimplementować system ekspercki, opisać wierzę dziedzinową w języku logiki.
Student potrafi sformułować zagadnienie przeszukiwania, wybrać odpowiedni do jego rozwiązania algorytm, zaimplementować go oraz właściwie użyć.
Student potrafi napisać program grający z przeciwnikiem w dowolną deterministyczną grę dwuosobową.
Student potrafi skonstruować system rozmyty, którego celem będzie wnioskowanie lub sterowanie.
Student potrafi zaimplementować sieć neuronową i użyć jej do modelowania i prognozowania.
Student potrafi zaimplementować odpowiedni algorytm uczenia się przez wzmacnianie i wykorzystać go w zagadnieniu sterownia adaptacyjnego.
Weryfikacja: Realizacja projektu
Powiązane efekty kierunkowe:
K_U01
Powiązane efekty obszarowe:
T1A_U09
Profil ogólnoakademicki - kompetencje społeczne
- Efekt Wpisz opis
- Wpisz opis
Weryfikacja: Wpisz opis
Powiązane efekty kierunkowe:
Powiązane efekty obszarowe:
- Efekt
-
Weryfikacja:
Powiązane efekty kierunkowe:
K_K01, K_K03
Powiązane efekty obszarowe:
T1A_K01, T1A_K03