Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Wprowadzenie do sztucznej inteligencji
Koordynator przedmiotu:
Rajmund Kożuszek
Status przedmiotu:
Fakultatywny ograniczonego wyboru
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka
Grupa przedmiotów:
Przedmioty techniczne - podstawowe
Kod przedmiotu:
WSI
Semestr nominalny:
1 / rok ak. 2021/2022
Liczba punktów ECTS:
5
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
1. liczba godzin kontaktowych – 64 godz., w tym obecność na wykładach: 30 godz., obecność na ćwiczeniach: 30 godz., udział w konsultacjach związanych z realizacją przedmiotu: 4 godz. 2. praca własna studenta – 70 godz., w tym analiza literatury i materiałów wykładowych związana z przygotowaniem do kolejnych wykładów: 20 godz. dokończenie zadań rozpoczętych na ćwiczeniach: 40 godz. przygotowanie do egzaminu: 10 godz. Łączny nakład pracy studenta wynosi 134 godz., co odpowiada 5pkt. ECTS.
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
2,5 pkt. ECTS, co odpowiada 64 godz. kontaktowym
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
2,75 pkt. ECTS, co odpowiada 30 + 40 = 70 godz. realizacji ćwiczeń
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia30h
  • Laboratorium0h
  • Projekt0h
  • Lekcje komputerowe0h
Wymagania wstępne:
Analiza, Matematyka konkretna 2, Algorytmy i struktury danych
Limit liczby studentów:
150
Cel przedmiotu:
Przedmiot stanowi wprowadzenie do głównych gałęzi sztucznej inteligencji, a w szczególności algorytmów ewolucyjnych i genetycznych, uczenia maszynowego, sztucznych sieci neuronowych i automatycznego wnioskowania. Ćwiczenia związane z przedmiotem są nastawione na implementację metod sztucznej inteligencji w językach programowania średniego poziomu i ich zastosowanie do rzeczywistych problemów.
Treści kształcenia:
WYKŁADY: 1. Wstęp (2 godz.) Definicja sztucznej inteligencji. Słaba i silna sztuczna inteligencja. Przykłady współczesnych zastosowań sztucznej inteligencji. Część I. Przeszukiwanie 2. Zagadnienie przeszukiwania i podstawowe podejścia do niego (2 godz.) Definicja zadania przeszukiwania: przestrzeń przeszukiwania, funkcja celu. Podstawowe metody analityczne: metoda gradientu prostego, metoda Newtona. Optymalizacja stochastyczna: metoda stochastycznego najszybszego spadku. 3. Algorytmy ewolucyjne i genetyczne (4 godz.) Ogólna struktura algorytmu ewolucyjnego. Krzyżowanie i mutacja. Algorytm (1+1). Algorytm (mu+lambda). Ogólna struktura algorytmu genetycznego. Kodowanie. Krzyżowanie i mutacja w algorytmach genetycznych. 4. Dwuosobowe gry deterministyczne (2 godz.) Algorytm przeszukania wyczerpującego. Algorytm min-max. Przycinanie alfa-beta. Techniki pomocnicze: książka otwarć, heurystyki wybierające kolejność analizowanych ruchów. Część II. Uczenie maszynowe 5. Regresja i klasyfikacja (4 godz.) Modele liniowe. Maszyna Wektorów Nośnych (SVM). Drzewa decyzyjne i ich indukcja algorytmami ID3 i C4.5. Gradient Boosting. Miary jakości regresji i klasyfikacji. 6. Sztuczne sieci neuronowe (4 godz.) Perceptron dwuwarstwowy. Wsteczna propagacja gradientu. Uczenie sieci. 7. Modele bayesowskie (4 godz.) Algorytmy uczenia maszynowego jako estymatory. Uczenie z zastosowaniem maksymalnej wiarygodności, maksimum a`posteriori i entropii krzyżowej. Sieci Bayesa i klasyfikator bayesowski. 8. Uczenie się ze wzmocnieniem (2 godz.) Model Procesu Decyzyjnego Markowa. Algorytm Q-Learning. Strategie wyboru akcji. Eksploracja i eksploatacja w uczeniu się ze wzmocnieniem. Część III. Automatyczne wnioskowanie 9. Logika zdań i logika predykatów (2 godz.) Zdania. Spójniki logiczne. Predykaty. Termy. Literały. Klauzule. Podstawienie i unifikacja. Sprowadzanie formuły logiki predykatów do postaci zbioru klauzul. 10. Wnioskowanie (2 godz.) Wnioskowanie w przód. Wnioskowanie wstecz. Wnioskowanie przez rezolucję i zaprzeczenie. 11. Formalne podstawy automatycznego wnioskowania (2 godz.) Poprawność i zupełność systemu wnioskującego. Strategie sterowania wnioskowaniem: przeszukiwanie wszerz, strategia zbioru uzasadnień, strategia liniowa, strategia z preferencją dla krótkich klauzul. ĆWICZENIA: Studenci wykonują ćwiczenia przed komputerami, częściowo na zajęciach, a częściowo w domu. Implementują wybrane algorytmy omawiane na wykładzie i stosują je do przykładowych problemów. 1. Implementacja i zastosowanie algorytmów ewolucyjnych (1+1) i (mu+lambda). 2. Implementacja i zastosowanie algorytmu genetycznego. 3. Implementacja algorytmu zachłannego, A* i IDA* i jego zastosowanie do przykładowego problemu przeszukiwania przestrzeni stanów. 4. Implementacja algorytmu MIN-MAX z przycinaniem alfa-beta i zastosowanie go w programie grającym w grę taką jak warcaby. 5. Implementacja modelu liniowego do regresji oraz SVM i indukcji drzew decyzyjnych do budowy klasyfikatora. 6. Implementacja perceptronu dwuwarstwowego oraz algorytmu jego uczenia i zastosowanie go do problemu regresji. 7. Modelowanie rozkładu prawdopodobieństwa z użyciem zaimplementowanej sieci Bayesa. 8. Implementacja algorytmu Q-Learning i zastosowanie go w syntetycznym problemie uczenia się ze wzmocnieniem. 9. Implementacja parsowania, przekształcania i reguł produkcji formuł rachunku predykatów. 10. Implementacja różnych strategii sterowania wnioskowaniem przez rezolucję i zaprzeczenie. 11. Implementacja systemu wnioskującego i zastosowanie go do rozwiązywania łamigłówek logicznych.
Metody oceny:
Realizacja przedmiotu obejmuje następujące formy zajęć: - wykład prowadzony w wymiarze 2 godz. tygodniowo; w wybranych zagadnieniach przewidziana jest aktywizacja studentów na wykładzie, - ćwiczenia przy komputerach w wymiarze 2 godz. tygodniowo; w ramach tych zajęć student, korzystając z oprogramowania i sprzętu komputerowego, będąc pod opieką prowadzącego zajęcia, będzie realizował wskazane ćwiczenia implementacji i stosowania algorytmów sztucznej inteligencji. Studenci podzieleni na grupy zadaniowe będą zobowiązani do wspólnego rozwiązania zadania. Sprawdzanie założonych efektów kształcenia realizowane jest przez: − ocenę wiedzy i umiejętności związanych z realizacją ćwiczeń – ocena ze zrealizowanych zadań; − ocenę wiedzy wykazanej na egzaminie pisemnym.
Egzamin:
tak
Literatura:
● Paweł Wawrzyński, “Podstawy Sztucznej Inteligencji,” Oficyna Wydawnicza Politechniki Warszawskiej, 2014. ● Sean Luke, “Essentials of metaheuristics”, Raleigh: Lulu, 2009. ● Michalewicz Zbigniew, David B. Fogel, “Jak to rozwiązać czyli nowoczesna heurystyka”, WNT, 2006. ● Stuart J. Russel, Peter Norvig, “Artificial Intelligence: A Modern Approach,” Prentice Hall, 2010. ● Ian Goodfellow, Yoshua Bengio, Aaron Courville, “Deep Learning,” WNT, 2015. ● Paweł Cichosz, “Data Mining: Explained Using R, Wiley and Sons,” 2015.
Witryna www przedmiotu:
https://usosweb.usos.pw.edu.pl/kontroler.php?_action=katalog2/przedmioty/pokazPrzedmiot&prz_kod=103A-INxxx-ISP-WSI
Uwagi:
(-)

Efekty uczenia się