Kurs: ELEKTRONIKA Kod kursu

1.
2.
3.
4.
5.
6.
Przedmiot: WSTĘP DO SZTUCZNEJ INTELIGENCJI
Kod przedmiotu: WI/S1/Inf/
/KMSIiMS
Odpowiedzialny za przedmiot, jego miejsce zatrudnienia i e-mail: dr inż. Przemysław
Klęsk, Zakład Metod Sztucznej Inteligencji, Katedra Metod Sztucznej Inteligencji i Matematyki
Stosowanej, e-mail: [email protected]
Język wykładowy: polski
Liczba punktów ECTS: 2
Rodzaj studiów, kierunek, specjalność: studia niestacjonarne 1-go stopnia, kierunek:
Informatyka
Status przedmiotu: obowiązkowy
Informacje o formach zajęć:
Sem. Pkt.
VI
2
Wykład
G/sem
10
F.z.
Z
Seminarium
G/sem F.z.
-
Zajęcia praktyczne
Ćw/ćw. komp. Laboratorium
Projekt
G/sem
F.z. G/sem F.z. G/sem F.z.
14
Z
-
Objaśnienia: Pkt – liczba punktów, G/sem. – liczba godzin w semestrze, F.z. – forma zaliczenia zajęć (E – egzamin,
z – zaliczenie), Ćw. komp – zajęcia w formie ćwiczeń, na stanowiskach komputerowych
7. Wymagane zaliczenie przedmiotów poprzedzających (wymagana wiedza): Podstawy
informatyki, algorytmy i struktury danych, matematyka
8. Treści kształcenia
Wykłady
Definicje sztucznej inteligencji, test Turing (gra w naśladownictwo). Podstawowe problemy
sztucznej inteligencji Różne rodzaje zadań (z nadzorem i bez): klasyfikacja, aproksymacja,
klasteryzacja, estymacja rozkładu prawdopodobieństwa, optymalizacja.
Algorytm Best First Search do przeszukiwania drzew gier – przykład: sudoku.
Sztuczne sieci neuronowe. Perceptron Rosenblatta (dowód zbieżności). Wzmianka o nieliniowej
separacji perceptronem Rosenblatta (przekształcenia jądrowe). Perceptron wielowarstwowy
(MLP): wyprowadzenie algorytmu back-propagation. Błąd uczenia a błąd uogólniania.
Algorytmy genetyczne i ewolucyjne. Pojęcia: funkcja przystosowania, binarne kodowanie
chromosomów, selekcja, krzyżowanie, mutacja. Przykłady problemów: dyskretny problem
plecakowy. Twierdzenie o schematach i hipoteza cegiełek.
Wprowadzenie do sterowania i modelowania rozmytego. Pojęcia: zbiór rozmyty, reguła rozmyta.
Sterownik rozmyty Mamdaniego (fuzyfikacja, inferencja, defuzyfikacja). Przykład problemu:
sterowanie odwróconym wahadłem.
9. Efekty kształcenia
a) Zrozumienie problemów stawianych w dziedzinie sztucznej inteligencji. Umiejętność
rozróżniania różnych typów zadań: klasyfikacja, aproksymacja, optymalizacja, sterowanie,
itp. Umiejętność dostrzegania praktycznych zastosowań sztucznej inteligencji.
b) Opanowanie algorytmów przeszukujących drzewa gier.
c) Opanowanie sieci neuronowych typu: perceptron Rosenblatta i MLP.
d) Opanowanie schematu działania algorytmów genetycznych, nabycie umiejętności
formułowania i rozwiązywania własnych problemów optymalizacyjnych za pomocą tej
techniki.
e) Opanowanie podstaw sterowania rozmytego wg sterownika Mamdani'ego.
10. Literatura
1. L. Rutkowski, Metody i techniki sztucznej inteligencji, PWN, Warszawa, 2005.
2. S. Osowski. Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa, 1996.
3. A. Piegat. Modelowanie i sterowanie rozmyte. EXIT, Warszawa, 1999.
4. D. Rutkowska, M. Piliński, L. Rutkowski, Sieci neuronowe, algorytmy genetyczne i
systemy rozmyte, PWN, Warszawa, 1997.