Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Podstawy sztucznej inteligencji
Koordynator przedmiotu:
Paweł WAWRZYŃSKI
Status przedmiotu:
Fakultatywny ograniczonego wyboru
Poziom kształcenia:
Studia II stopnia
Program:
Informatyka
Grupa przedmiotów:
Przedmioty techniczne - podstawowe
Kod przedmiotu:
PSZT
Semestr nominalny:
1 / rok ak. 2018/2019
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
30 - wykład, 15 - realizacja zadania projektowego, 15 - samodzielne przygotowywanie się do kolokwiów i 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:
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:
Treść wykładu W1. Wprowadzenie (2 h) Zadania sztucznej inteligencji - reprezentacja wiedzy i wnioskowanie; rozwiązywanie problemów przez przeszukiwanie, uczenie maszynowe. Zastosowania - systemy ekspertowe i agentowe. Część I. Systemy logicznego wnioskowania (12 h) W2. Baza wiedzy (1 h) Reprezentacja wiedzy - składnia, semantyka. Wynikanie i wnioskowanie. Języki reprezentacji wiedzy. W3. Rachunek zdań (2 h) Składnia i semantyka rachunku zdań. Reguły wnioskowania. Postaci normalne zdań. Procedury wnioskowania w rachunku zdań. W4. Logika predykatów (2 h) Składnia i semantyka logiki predykatów. Uzgadnianie formuł. Postaci normalne formuł Uogólnione reguły wnioskowania. W5. Inżynieria wiedzy w logice predykatów (2 h) Metodyka tworzenia bazy wiedzy. Rachunek sytuacyjny. Reprezentacja pojęć - ontologia. W6. Wnioskowanie w logice predykatów (3h) Wnioskowanie w przód i wstecz. Wnioskowanie przez rezolucję. Poprawność i zupełność procedur wnioskowania. Wnioskowanie jako zagadnienie przeszukiwania. Efektywność wnioskowania. W7. Systemy ekspertowe (2 h) Systemy logicznego wnioskowania w praktyce. PROLOG. Systemy dowodzenia twierdzeń. Systemy regułowe. Sieci semantyczne. Część II. Przeszukiwanie W8. Algorytmy ewolucyjne Wprowadzenie do zagadnień przeszukiwania. Algorytm (1+1), algorytm (mu+lambda). W9. Algorytmy genetyczne Kodowanie osobników, reprodukcja, krzyżowanie, mutacja. W10. Gry dwuosobowe Drzewo gry. Strategia minimaksowa. Przycinanie alfa-beta. Minimaks z obcinaniem. Funkcja oceny stanu gry. Część III. Uczenie maszynowe W11. Uczenie na podstawie obserwacji - indukcja Formy uczenia poprzez indukcję - uczenie klasyfikatora pojęć, grupowanie (tworzenie pojęć), aproksymacja funkcji. Uczenie jako przeszukiwanie przestrzeni hipotez - algorytm CAE. W12. Sieci neuronowe Zadanie aproksymacji. Definicja perceptronu wielowarstwowego MLP. Wpływ wag na jakość aproksymacji. Uczenie sieci MLP ? wsteczna propagacja błędu. W14. Uczenie ze wzmocnieniem Zadania uczenia ze wzmocnieniem. Model procesu decyzyjnego Markowa. Algorytm TD dla uczenia funkcji użyteczności. Uczenie się strategii - algorytm "Q-learning". Zakres projektu Zadania projektowe polegają implementacji programu w języku średniego poziomu realizującego jeden z algorytmów prezentowanych na wykładzie. Większość zadań projektowych dotyczy części I oraz II wykładu. Przykłady tematów projektów to: - maszyna wnioskująca w tył, - maszyna wnioskująca przy użyciu rezolucji, - optymalizacja przy użyciu algorytmu ewolucyjnego, - program grający w grę taką jak warcaby, go, itp., - sieć neuronowa ucząca się aproksymacji funkcji.
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:
https://usosweb.usos.pw.edu.pl/kontroler.php?_action=katalog2/przedmioty/pokazPrzedmiot&prz_kod=103A-INxxx-ISP-PSZT
Uwagi:

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Charakterystyka PSZT_W01
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 charakterystyki kierunkowe: K_W04, K_W06
Powiązane charakterystyki obszarowe: I.P7S_WG, III.P7S_WG.o

Profil ogólnoakademicki - umiejętności

Charakterystyka PSZT_U01
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 charakterystyki kierunkowe: K_U01, K_U04, K_U06, K_U11
Powiązane charakterystyki obszarowe: I.P7S_UK, I.P7S_UU, I.P7S_UW, III.P7S_UW.3.o