Sztuczna inteligencja

KARTA MODUŁU KSZTAŁCENIA
I. Informacje ogólne
1 Nazwa modułu kształcenia
Sztuczna inteligencja
2 Nazwa jednostki prowadzącej moduł
Instytut Informatyki, Zakład Informatyki Stosowanej
3 Kod modułu
(wypełnia koordynator
ECTS)
4 Grupa treści kształcenia
kierunkowego
6 Poziom studiów
I stopnia
7
9 Rok studiów,
semestr
10 Liczba godzin w semestrze
III rok
VI semestr – letni
studia stacjonarne
Wyk.
15
Liczba
5
Ćw.
punktów
Lab.
Sem.
30
5 Typ modułu
obowiązkowy
ECTS 8 Poziom przedmiotu
zaawansowany
11 Liczba godzin w tygodniu
Proj.
Wyk.
1
Ćw.
Lab.
Sem.
Proj.
2
12 Język wykładowy: polski
13 Wykładowca:
Marcin Klimek, dr inż., [email protected]
II. Informacje szczegółowe
14 Wymagania wstępne
1.
Bazuje na przedmiotach tj. Języki programowania, Algorytmy i struktury danych.
2.
Wymagana jest umiejętność programowania w dowolnym języku programowania.
15 Cele przedmiotu
C1
Zapoznanie studentów z nowoczesnymi technikami obliczeniowymi opartymi
o sztuczną inteligencję.
C2
Zaznajomienie studentów z podstawami teorii sztucznych sieci neuronowych,
algorytmów genetycznych, logiki rozmytej i systemów eksperckich.
C3
Zapoznanie studentów z zasadami tworzenia aplikacji do rozwiązywania zadań
praktycznych wykorzystujących metody sztucznej inteligencji.
C4
Przedstawienie studentom wybranych narzędzi programistycznych do
implementacji metod sztucznej inteligencji.
16 Efekty kształcenia w zakresi wiedzy, umiejętności i kompetencji społecznych
nr
student, który zaliczył przedmiot, potrafi:
EK01
wybierać odpowiednie metody sztucznej inteligencji
odniesienie do celów
przedmiotu
C1
EK02
EK03
EK04
EK05
dla konkretnych, praktycznych problemów
konstruować algorytmy genetyczne w konkretnym
zastosowaniu, dobierać odpowiednie parametry algorytmu,
reprezentację problemu itp.
budować sieci neuronowe dla konkretnego problemu,
oceniać przydatność ich zastosowania, potrafi dobrać
odpowiednią strukturę sieci neuronowej
oraz właściwy algorytm uczący adekwatnie do
rozwiązywanego zadania
tworzyć systemy ekspertowe z wykorzystaniem logiki
rozmytej
wybierać właściwe narzędzia (programistyczne) do
modelowania problemu za pomocą metod sztucznej
inteligencji
C2, C3
C2, C3
C2
C4
17 Treści programowe
forma zajęć – wykłady
W1
W2
W3
W4
W5
W6
Sztuczna inteligencja – definicja,
historia. Inteligentne metody
obliczeniowe. Test Turinga. Języki
sztucznej inteligencji. Narzędzia.
Sieci neuronowe. Algorytmy uczenia
i typy sztucznych sieci
neuronowych. Perceptron. Sieci
wielowarstwowe. Sieci Kohonena.
Sieci Hopfielda.
Algorytmy genetyczne i ewolucyjne.
Implementacja algorytmów dla
wybranych zadań praktycznych
(optymalizacja funkcji, problem
komiwojażera, problem
szeregowania zadań). Różne
operatory genetyczne dla
reprezentacji binarnej
i całkowitoliczbowej.
Logika rozmyta. Sterowniki oparte na
logice rozmytej. Rozmywanie,
wyostrzanie.
System ekspertowy. Reprezentacja
wiedzy. Rozmyty system ekspertowy.
Języki programowania systemów
ekspertowych.
Inne, wybrane metody sztucznej
inteligencji: Systemy agentowe.
Algorytmy mrówkowe.
liczba
godzin S
liczba
godzin NS
odniesienie do efektów
kształcenia dla
przedmiotu
1
EK05
4
EK03
4
EK02
1
EK04
2
EK04
2
EK01
W7
Metaheurystyka symulowanego
wyżarzania.
Sztuczna inteligencja w grach
komputerowych.
suma godzin
forma zajęć – laboratoria
L1
L2
L3
L4
L5
L6
L7
Wykorzystanie neuronu jako
klasyfikatora.
Ograniczenia pojedynczego neuronu.
Perceptron jako bramka logiczna.
Uczenie z nauczycielem. Sieć
neuronowa dla bramki XOR.
Wykorzystanie sieci
wielowarstwowych dla zagadnienia
rozpoznawania obrazu (ikonek 9x9)
Wykorzystanie sieci Kohonena
w zagadnieniu klasteryzacji. Uczenie
bez nauczyciela (algorytmy WTA,
WTM). Funkcje sąsiedztwa.
Budowa w C# algorytmu
genetycznego z binarnymi
chromosomami dla problemu
optymalizacji funkcji. Implementacja
operatorów krzyżowania, mutacji.
Selekcja rankingowa, metodą koła
ruletki, turniejowa.
Budowa w C# algorytmu
genetycznego z reprezentacją
permutacyjną chromosomów dla
klasycznego problemu komiwojażera.
Operatory krzyżowania, mutacji dla
reprezentacji permutacyjnej.
Stworzenie prostego systemu
ekspertowego w dowolnym
narzędziu np. Prologu.
suma godzin
1
EK01
15
liczba
godzin S
liczba
godzin NS
odniesienie do efektów
kształcenia dla
przedmiotu
2
EK03
4
EK03
4
EK03
4
EK03
6
EK02
6
EK02
4
EK04, EK05
30
18 Narzędzia/metody dydaktyczne
1.
2.
Podczas laboratoriów praca indywidualna studentów: pisanie programów komputerowych,
budowanie sieci neuronowych dla konkretnych zadań, opracowywanie elementów algorytmu
genetycznego dla problemu optymalizacji funkcji itp.
Laboratoria w części odbywają się przy tablicy: wspólnie ze studentami wykonywanie obliczeń
dotyczących poszczególnych metod sztucznej inteligencji tj. przeprowadzenie kroku uczenia
w sieciach wielowarstwowych, w sieciach Kohonena, określenie kodowania, funkcji
przystosowania w algorytmie genetycznym itp.
3.
4.
Wykład prowadzony z wykorzystaniem projektora multimedialnego. Wykłady przygotowane
w formie prezentacji PowerPoint.
Podczas wykładów prezentowane są także wybrane programy komputerowe zaimplementowane
w C# tj. sieć neuronowa wielowarstwowa do realizacji bramki XOR, algorytm genetyczny, siłowy
i sieć Hopfielda dla klasycznego problemu komiwojażera, problemu szeregowania zadań
produkcyjnych itp.
19 Sposoby oceny (F – formująca, P – podsumowująca)
F1.
F2.
F3
F4
F5
F6
P1
Ocena za wykonane sprawozdania z zajęć z sieci neuronowych z obliczeniami w arkuszu
kalkulacyjnym lub oddane programy realizujące zadania do wykonania w sprawozdaniu). Łącznie
do wykonania cztery sprawozdania (programy) z laboratoriów L1-L4.
Kolokwium pisemne z sieci neuronowych.
Ocena realizacji projektu zaliczeniowego do zrealizowania w domu (implementacja algorytmu
genetycznego rozwiązującego wybrany problem optymalizacyjny).
Kolokwium pisemne z algorytmów genetycznych.
Ocena ciągła pracy indywidualnej podczas laboratoriów.
Ocena za wykonany system ekspertowy.
Egzamin w formie pisemnej sprawdzający wiedzę z wykładów i laboratoriów
20 Obciążenie pracą studenta
forma aktywności
Godziny kontaktowe z nauczycielem
Przygotowanie się do laboratorium
Przygotowanie się do egzaminu
Realizacja programów
zaliczeniowych
SUMA
SUMARYCZNA LICZBA PUNKTÓW
ECTS DLA PRZEDMIOTU
średnia liczba godzin na zrealizowanie aktywności
S
NS
63
21
21
20
125
5
21 Literatura podstawowa i uzupełniająca
Literatura podstawowa:
1.
Goldberg D., Algorytmy genetyczne i ich zastosowania. WNT, Warszawa,
2003.
2.
Michalewicz Z., Algorytmy ewolucyjne + struktury danych. Warszawa 1998.
3.
Rutkowska D., Pliński M, Rutkowski L., Sieci neuronowe, algorytmy
genetyczne i systemy rozmyte. PWN, Warszawa, 1999.
4.
Rutkowski L., Metody i techniki sztucznej inteligencji. Inteligencja
obliczeniowa. PWN Warszawa 2005.
5.
Tadeusiewicz R., Sieci neuronowe. Warszawa 1993.
Literatura uzupełniająca:
1.
Mulawka J., Systemy ekspertowe. WNT, Warszawa 1996.
2.
Osowski S., Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa
1999.
3.
Tadeusiewicz R., Odkrywanie właściwości sieci neuronowych przy użyciu
programów w języku C#. PAU, Kraków 2007.
22 Kryteria oceny *
nr
na ocenę 2 (ndst)
efektu
EK01
student nie zna
metod sztucznej
inteligencji i ich
zastosowań
na ocenę 3 (dst)
na ocenę 4 (db)
na ocenę 5 (bdb)
student zna
działanie metod
sztucznej
inteligencji, ale
nie potrafi z nich
korzystać w
konkretnych
zastosowaniach
student potrafi
korzystać z metod
sztucznej
inteligencji
jedynie dla
klasycznych
problemów
optymalizacyjnych
student umie
zbudować
program
komputerowy,
wykorzystujący
algorytm
genetyczny,
rozwiązujący
jedynie proste
zadania
optymalizacyjne
student potrafi,
dla prostych
zagadnień,
konstruować sieci
neuronowe i
dobierać dla nich
parametry
student potrafi
wybierać i
wykorzystywać
odpowiednie
metody sztucznej
inteligencji
dla konkretnych
zagadnień
praktycznych
student potrafi
konstruować
algorytmy
i dobierać
odpowiednie
parametry
algorytmu dla
różnych, nawet
złożonych,
problemów
EK02
student nie zna
podstawowych
zasad działania
i implementacji
algorytmu
genetycznego
student zna
zasadę działania
algorytmu
genetycznego, ale
nie potrafi go
zaimplementować
nawet dla
prostego
problemu
EK03
student nie zna
podstawowych
zasad działania
sieci
neuronowych
student potrafi
budować proste
rozwiązania w
oparciu o sieci
neuronowe, ale
nie potrafi
dobierać
odpowiedniej
struktury sieci
oraz właściwego
algorytmu
uczenia
EK04
student nie zna
reguł tworzenia
systemów
ekspertowych
student zna
reguły tworzenia
systemów
ekspertowych, ale
ma problemy
w konkretnych
zastosowaniach z
tworzeniem np.
bazy reguł
student umie
budować proste
systemy
ekspertowe, ale
nie potrafi
korzystać z
zaawansowanych
możliwości
systemów
ekspertowych
student potrafi
budować sieci
neuronowe
dla konkretnego
problemu, potrafi
dobrać
odpowiednią
strukturę sieci
neuronowej
oraz właściwy
algorytm uczący
odpowiedni dla
rozwiązywanego
problemu
student potrafi
tworzyć systemy
ekspertowe
wykorzystujące
m.in. rozmyte
wnioskowanie
EK05
student nie
potrafi korzystać z
narzędzi do
implementacji
metod sztucznej
inteligencji
student zna
niektóre
narzędzia
sztucznej
inteligencji, ale
ma problemy z ich
wykorzystaniem
III.
student potrafi
korzystać z
niektórych
narzędzi sztucznej
inteligencji, ale
jedynie w
podstawowym
zakresie
student potrafi
stosować
właściwe
narzędzia
sztucznej
inteligencji
Inne przydatne informacje
23 Inne przydatne informacje o przedmiocie
1.
2.
3.
4.
Materiały z wykładów i laboratoriów udostępnione są dla studentów na stronie
jurand.ii.pswbp.pl/~mk
Laboratoria odbywają się w salach komputerowych z oprogramowaniem niezbędnym do realizacji
przedmiotu tj. Microsoft Visual Studio 2010.
Zajęcia odbywają się w środy w godz. 15.15-16.50 i czwartki w godz. 8.00-9.40, 9.50-11.30,
11.40-13.20 (wykład), 13.30-15.10, 15.15-16.50
Konsultacje odbywają się w czwartki w godz. 16.55-18.30
*do decyzji koordynatora
Tabela podsumowująca.
Efekt kształcenia
EK01
EK02
EK03
EK04
EK05
Odniesienie danego
efektu do efektów
zdefiniowanych dla
całego programu
(„kierunkowych”)
K_W06, K_W07,
K_W20, K_U01,
K_U12
K_U01, K_U12
K_W20, K_U01,
K_U12
K_U01, K_U12
K_W06, K_W07,
K_W20, K_U01,
K_U12
Cele przedmiotu
Treści programowe
Narzędzia/metody
dydaktyczne
Sposób oceny
C1
W6, W7,L3
1, 3, 4
F1, P1
C2, C3
W3, L5, L6
1, 2, 3, 4
F3, F4, P1
C2, C3
W2, L1, L2, L3, L4
1, 2, 3, 4
F1, F2, F5, P1
C2
W4, W5, L7
1, 2, 3
F6, P1
C4
W1, L7
1, 3, 4
F6, P1
Strona | 7