- Nazwa przedmiotu:
- Inteligentne techniki obliczeniowe
- Koordynator przedmiotu:
- prof. dr hab. inż. Włodzimierz Kasprzak
- Status przedmiotu:
- Fakultatywny ograniczonego wyboru
- Poziom kształcenia:
- Studia II stopnia
- Program:
- Informatyka
- Grupa przedmiotów:
- Przedmioty kierunkowe
- Kod przedmiotu:
- ITOUZ
- Semestr nominalny:
- 1 / rok ak. 2017/2018
- Liczba punktów ECTS:
- 5
- Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
- Liczba godzin kontaktowych - 24 h - w tym:
a) uczestnictwo w zajęciach stacjonarnych - 5 h,
b) uczestnictwo w konsultacjach (poprzez Skype) - 5 h,
c) uczestnictwo w trzech sprawdzianach - 6 h,
d) analiza dokonanej przez nauczyciela oceny trzech sprawdzianów - 3 h,
e) analiza dokonanej przez nauczyciela oceny projektu wstępnego - 3 h.
f) uczestnictwo w egzaminie - 2 h.
Praca własna studenta - 120 h - w tym::
a) samodzielne studiowanie materiałów wykładowych - 30 h;
b) samodzielne studiowanie i rozwiązywanie zadań z ćwiczeń - 30 h;
c) wykonanie projektu - 40 h;
d) przygotowanie się do egzaminu - 20 h.
- Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
- Jeden punkt ECTS student uzyskuje za godziny kontaktowe ( 24 h ) - w tym za:
a) uczestnictwo w zajęciach stacjonarnych - 5 h;
b) uczestnictwo w konsultacjach (poprzez Skype) - 5 h;
c) uczestnictwo w trzech sprawdzianach - 6 h,
d) analiza dokonanej przez nauczyciela oceny trzech sprawdzianów - 3 h;
e) analiza dokonanej przez nauczyciela oceny projektu wstępnego - 3 h;
f) uczestnictwo w egzaminie - 2 h.
- Język prowadzenia zajęć:
- polski
- Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
- Cztery punkty ECTS student uzyskuje w ramach zajęć o charakterze praktycznym (109 h), w tym za:
a) uczestnictwo w konsultacjach (poprzez Skype) - 5 h;
b) uczestnictwo w sprawdzianach - 6 h;
b) analiza dokonanej przez nauczyciela oceny trzech sprawdzianów - 3 h;
c) analiza dokonanej przez nauczyciela oceny projektu wstępnego - 3 h;
d) uczestnictwo w egzaminie - 2 h;
e) samodzielne studiowanie i rozwiązywanie zadań z ćwiczeń - 30 h;
f) wykonanie projektu - 40 h;
g) przygotowanie się do egzaminu - 20 h.
- Formy zajęć i ich wymiar w semestrze:
-
- Wykład30h
- Ćwiczenia15h
- Laboratorium0h
- Projekt15h
- Lekcje komputerowe0h
- Wymagania wstępne:
- Oczekuje się wiedzy z zakresu studiów inżynierskich dotyczącej logiki, rachunku prawdopodobieństwa i przedmiotów informatycznych z zakresu programowania, teorii algorytmów i struktur danych. Pomocne jest zaliczenie przedmiotu o podstawach "Sztucznej Inteligencji" na studiach inżynierskich.
- Limit liczby studentów:
- 30
- Cel przedmiotu:
- Zapoznanie z zaawansowanymi metodami obliczeniowymi z zakresu "Sztucznej Inteligencji". Nauczenie projektowania racjonalnie działających agentów o możliwościach przeszukiwania i planowania, wnioskowania i decydowania przy niepewnej i niepełnej wiedzy, wnioskowania i decydowania w procesach Markowa, sieciach Bayesa i dynamicznych sieciach Bayesa oraz posiadających zdolność uczenia się.
- Treści kształcenia:
- Wykład.
Część I. Logika i wnioskowanie.
W1. Wprowadzenie - system agentowy.
Pojęcie „sztucznej inteligencji”. System z bazą wiedzy. System agentowy: agent, środowisko agenta. Rodzaje agentów. System agentowy: reprezentacja wiedzy, wnioskowanie, przeszukiwanie, planowanie, racjonalne decyzje, uczenie.
W2. Logika klasyczna i nieklasyczna
Rachunek zdań. Logika predykatów i rachunek sytuacyjny. Reguły wnioskowania. Postaci normalne formuł. Wnioskowanie wprost i przez zaprzeczenie.
Logika modalna. Logika niemonotoniczna. Logika deskrypcyjna.
Część II. Przeszukiwanie i planowanie.
W3. Zaawansowane przeszukiwanie poinformowane.
Przeszukiwanie z heurystyką. Strategia A*. Rodzaje heurystyk. Strategie: IDA*, SMA*, RTA*. Przeszukiwanie "w dowolnym czasie"
W4. Dyskretne problemy z ograniczeniami.
Graf ograniczeń dla problemu. Węzły decyzyjne ze stanem przyrostowym lub zupełnym. Algorytm przeszukiwania z nawrotami. Ulepszenia algorytmu przeszukiwania.
W5. Klasyczne planowanie działań.
Planowanie klasyczne w STRIPS. Przestrzeń planów. Plan częściowo uporządkowany (PCzU). Algorytm tworzenia planu PCzU.
W6. Zaawansowane techniki planowania.
Graf planujący. Algorytm „Graphplan”. Planowanie hierarchiczne. Plany warunkowe. Planowanie a działanie.
Część III. Wiedza niepewna.
W7. Wiedza niepewna i niedokładna.
Sposoby reprezentacji wiedzy niedoskonałej. Wnioskowanie bayesowskie - niezależność warunkowa zmiennych losowych, reguła Bayesa. Wiedza niedokładna – zbiory rozmyte, logika rozmyta, wnioskowanie rozmyte. Sieć Bayesa - koc Markowa, konstruowanie sieci Bayesa.
W8. Wnioskowanie w sieci Bayesa.
Dokładne wnioskowania: przez przeliczanie i z eliminacją zmiennych. Przybliżone wnioskowania: metoda symulacji stochastycznej i MCMC.
W9. Dynamiczna sieć Bayesa i jej wnioskowanie.
Modele Markowa. Zadania wnioskowania: filtracja, predykcja, wygładzanie, detekcja trajektorii. Ukryte Modele Markowa HMM. Filtr Kalmana. Dynamiczna sieć Bayesa DBN. Wnioskowanie w DBN. Filtr cząstek.
Część IV. Decyzje i uczenie.
W10. Racjonalne decyzje.
Pojedyncze decyzje. Spodziewana użyteczność. Funkcje decyzyjne - klasyfikacja. Sekwencja decyzji. Programowanie dynamiczne.
W11. Uczenie ze wzmocnieniem.
Zadania uczenia ze wzmocnieniem. Procesy decyzyjne Markowa. Algorytm TD dla uczenia funkcji użyteczności. Uczenie się strategii – algorytm „Q-learning”.
W12. Uczenie statystyczne.
Klasyfikator Bayesa. Uczenie parametryczne - ML, algorytm EM. Uczenie nieparametryczne, estymacja k-NN. Uczenie w HMM - trening Bauma-Welcha.
Ćwiczenia.
C1. Systemy agentowe i wnioskowanie w logice.
C2. Przeszukiwanie poinformowane i w warunkach ograniczeń.
C3. Planowanie działań.
C4. Wnioskowanie rozmyte i w sieci Bayesa.
C5. Wnioskowanie dynamiczne i racjonalne decyzje.
C6. Uczenie ze wzmocnieniem i statystyczne.
Projekt.
Wykonanie projektu, programowej implementacji i testowania programu rozwiązującego wybrany problem z zakresu "Sztucznej Inteligencji" przy wykorzystaniu metod i algorytmów poznanych w ramach przedmiotu.
- Metody oceny:
- Od każdego studenta wymaga się wykonania 3 zadań w ramach ćwiczeń, ocenianych w skali 0-5 p. każde. Każdy student realizuje samodzielnie projekt, obejmujący sprawozdanie wstępne, projekt i implementację programu wraz z dokumentacją końcową (oceniane łącznie w skali 0-35 p.). Końcowy egzamin obejmuje trzy zadania i oceniany jest w skali 0-50 p. Łączna maksymalna liczba punktów wynosi 100. Ocena pozytywna przyznawana jest po uzyskaniu ponad 50 punktów.
- Egzamin:
- tak
- Literatura:
- Literatura podstawowa:
1. W. Kasprzak: "Inteligentne techniki obliczeniowe - studia magisterskie". Podręcznik OKNO PW, 2010, v2. 2014.
Literatura uzupełniająca:
2. S. Russell, P. Norvig: Artificial Intelligence: A Modern Approach. Prentice Hall, 1995, 2002, 2010.
3. M. Flasiński: Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN, 2011 (rozdz. 2 - 7, 9 - 11, 16).
4. L. Rutkowski: Metody i techniki sztucznej inteligencji. PWN, Warszawa, 2005 (rozdz. 4, 7).
- Witryna www przedmiotu:
- https://red.okno.pw.edu.pl/witryna/home.php
- Uwagi:
Efekty uczenia się
Profil ogólnoakademicki - wiedza
- Efekt IT_W01
- posiada rozszerzoną wiedzę z zakresu matematyki i nowoczesnych metod sztucznej inteligencji
Weryfikacja: ocena sprawdzianów i egzaminu
Powiązane efekty kierunkowe:
K2_W01, K2_W06
Powiązane efekty obszarowe:
T2A_W01, T2A_W04, T2A_W07
Profil ogólnoakademicki - umiejętności
- Efekt IT_U01
- potrafi rozwiązać problem z zakresu metod sztucznej inteligencji, samodzielnie dobierając metody, posługując się właściwym doborem narzędzi i literatury
Weryfikacja: ocena sprawdzianów i realizacji projektu, a także rozwiązań zadań na egzaminie
Powiązane efekty kierunkowe:
K2_U01, K2_U04, K2_U06, K2_U09, K2_U14, K1_U03
Powiązane efekty obszarowe:
T2A_U01, T2A_U05, T2A_U09, T2A_U12, T2A_U18, T2A_U08
Profil ogólnoakademicki - kompetencje społeczne
- Efekt IT_K1
- potrafi myśleć i rozwiązywać problemy w sposób kreatywny
Weryfikacja: ocena sposobów rozwiązania zadań na sprawdzianach i na egzaminie oraz oryginalności w realizacji projektu.
Powiązane efekty kierunkowe:
K2_K01
Powiązane efekty obszarowe:
T2A_K06
- Efekt IT_K2
- stara się przekazać informacje i opinie dotyczące osiągnięć "Sztucznej inteligencji" w sposób powszechnie zrozumiały, z uzasadnieniem różnych punktów widzenia.
Weryfikacja: ocena czytelności i wnikliwości dokumentacji projektu
Powiązane efekty kierunkowe:
K2_K03
Powiązane efekty obszarowe:
T2A_K07