Kurs: ELEKTRONIKA Kod kursu
Transkrypt
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.