Drukuj Eksport do pliku (MS Word)
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. 2018/2019
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

Charakterystyka IT_W01
posiada rozszerzoną wiedzę z zakresu matematyki i nowoczesnych metod sztucznej inteligencji
Weryfikacja: ocena sprawdzianów i egzaminu
Powiązane charakterystyki kierunkowe: K2_W01, K2_W06
Powiązane charakterystyki obszarowe: I.P7S_WG, III.P7S_WG.o

Profil ogólnoakademicki - umiejętności

Charakterystyka 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 charakterystyki kierunkowe: K2_U01, K2_U04, K2_U06, K2_U09, K2_U14, K1_U03
Powiązane charakterystyki obszarowe: I.P7S_UK, I.P7S_UU, I.P7S_UW, III.P7S_UW.1.o, III.P7S_UW.3.o, III.P7S_UW.4.o

Profil ogólnoakademicki - kompetencje społeczne

Charakterystyka 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 charakterystyki kierunkowe: K2_K01
Powiązane charakterystyki obszarowe: I.P7S_KO
Charakterystyka 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 charakterystyki kierunkowe: K2_K03
Powiązane charakterystyki obszarowe: I.P7S_KK, I.P7S_KR