- 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