Sztuczna inteligencja
Transkrypt
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