Sztuczna inteligencja
Transkrypt
Sztuczna inteligencja
Nazwa przedmiotu: SZTUCZNA INTELIGENCJA Artificial intelligence Kierunek: Forma studiów: Kod przedmiotu: Informatyka Stacjonarne Rodzaj przedmiotu: Poziom kwalifikacji: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny I stopnia C5_20 Rok: III Semestr: V Rodzaj zajęć: Liczba godzin/tydzień: Liczba punktów: wykład, laboratorium 2W, 2L 5 ECTS PRZEWODNIK PO PRZEDMIOCIE I KARTA PRZEDMIOTU CEL PRZEDMIOTU C1. Zapoznanie studentów z podstawowymi metodami i technikami stosowanymi w sztucznej inteligencji. C2. Nabycie przez studentów praktycznych umiejętności posługiwania się metodami sztucznej inteligencji do rozwiązywania problemów z dziedziny AI. WYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI 1. Wiedza z zakresu podstaw programowania i matematyki. 2. Umiejętność doboru metod podczas analizy i rozwiązywania postawionych zadań z dziedziny sztucznej inteligencji. 3. Umiejętność wykonywania działań matematycznych do rozwiązywania postawionych zadań. 4. Umiejętność korzystania z różnych źródeł informacji w tym z instrukcji i dokumentacji technicznej. 5. Umiejętności pracy samodzielnej i w grupie. 6. Umiejętności prawidłowej interpretacji i prezentacji własnych działań. EFEKTY KSZTAŁCENIA EK 1 – posiada podstawową wiedzę teoretyczną z zakresu sztucznej inteligencji, EK 2 – zna tendencje i kierunki rozwoju w zakresie projektowania systemów związanych ze sztuczna inteligencją, EK 3 – zna podstawowe modele sieci neuronowych i ich metody uczenia oraz potrafi wyznaczyć podstawowe parametry sieci neuronowych, korzystając z odpowiednich metod uczenia, EK 4 – posiada podstawową wiedzę na temat definicji problemu, stosowania procedur do poszukiwania rozwiązań. EK 5 – zna podstawowe zagadnienia związane z algorytmami niedeterministycznymi, potrafi zastosować algorytm genetyczny do rozwiązania praktycznych zagadnień związanych z poszukiwaniem optymalnego rozwiązania. EK 6– ma ogólną wiedzę w zakresie eksploracji danych i wykorzystaniu analizy skupień do rozpoznawania wzorców, EK7 - zna podstawowe pojęcia z zakresu rachunku predykatów pierwszego rzędu, EK8 – potrafi wykorzystać język Prolog do budowy bazy wiedzy opartej na rachunku predykatów, EK9 – zna podstawowe zagadnienia związane z przetwarzaniem języka naturalnego, syntezy mowy oraz sieci semantycznych, EK 10 – posiada ogólna wiedzę w zakresie logiki rozmytej i budowy systemów rozmytych, EK11 – zna podstawowe zagadnienia z systemów eksperckich i robotyki, EK 12 – potrafi przygotować sprawozdanie z przebiegu realizacji ćwiczeń. TREŚCI PROGRAMOWE Forma zajęć – WYKŁADY W 1 – Wprowadzenie do AI, historia rozwoju oraz przykładowe projekty. W 2 – Sztuczne sieci neuronowe jednokierunkowe, ich modele i uczenie. W 3 – Sztuczne sieci neuronowe samoorganizujące się, ich modele i uczenie. W 4 – Metody szukania nieukierunkowanego. W 5 – Metody szukania heurystycznego. W 6 – Gry planszowe, przykładowe algorytmy. W 7 – Algorytmy niedeterministyczne. W 8 – Eksploracja danych z wykorzystaniem analizy skupień. W 9 – Podstawy rachunku predykatów pierwszego rzędu. W 10 – Sieci semantyczne W 11 – Przetwarzanie języka naturalnego, synteza mowy. W 12 – Podstawy teorii logiki rozmytej. W 13 – Sterowniki rozmyte W 14 – Systemy eksperckie, budowa i przykłady zastosowań. W 15 – Robotyka, podstawowe pojęcia i przykłady zastosowań. Forma zajęć – LABORATORIUM L 1 – Wprowadzenie do środowiska Scilab. L 2 – Tworzenie zbiorów uczących liniowo-separowalnych. L 3 – Zaprojektowanie sieci neuronowej jednowarstwowej. L 4 – Uczenie i testowanie sieci jednowarstwowej, prezentacja otrzymanych wyników. L 5 – Zaprojektowanie sieci neuronowej wielowarstwowej. L 6 – Uczenie i testowanie sieci wielowarstwowej, prezentacja otrzymanych wyników. L 7 – Zaprojektowanie sieci neuronowej samoorganizującej się. L 8 – Uczenie i testowanie sieci samoorganizującej się. L 9 – Algorytm genetyczny – tworzenie populacji początkowej, kodowanie osobników. L 10 – Algorytm genetyczny – realizacja metody selekcji osobników. L 11 – Implementacja algorytmu genetycznego z przykładową funkcją celu. L 12 – Język Prolog – wprowadzenie do języka. L 13 – Język Prolog – zapisywanie faktów, reguł oraz wykonywanie zapytań. L 14 – Zastosowanie języka Prolog do znajdowanie rozwiązań przykładowych zadań. L 15 – Zastosowanie języka Prolog do budowy prostego systemu ekspertowego. Liczba godzin 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 Liczba godzin 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 NARZĘDZIA DYDAKTYCZNE 1. – wykład z wykorzystaniem prezentacji multimedialnych 2. – ćwiczenia laboratoryjne, opracowanie sprawozdań z realizacji przebiegu ćwiczeń 3. – przykładowe programy realizujące techniki sztucznej inteligencji 4. – środowisko programistyczne do symulacji metod sztucznej inteligencji 5. – instrukcje do wykonania ćwiczeń laboratoryjnych 2 SPOSOBY OCENY ( F – FORMUJĄCA, P – PODSUMOWUJĄCA) F1. – ocena przygotowania do ćwiczeń laboratoryjnych F2. – ocena umiejętności stosowania zdobytej wiedzy podczas wykonywania ćwiczeń F3. – ocena sprawozdań z realizacji ćwiczeń objętych programem nauczania F4. – ocena aktywności podczas zajęć P1. – ocena umiejętności rozwiązywania postawionych problemów oraz sposobu prezentacji uzyskanych wyników – zaliczenie na ocenę* P2. – ocena opanowania materiału nauczania będącego przedmiotem wykładu – zaliczenie wykładu (lub egzamin) *) warunkiem uzyskania zaliczenia jest otrzymanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych, OBCIĄŻENIE PRACĄ STUDENTA Forma aktywności Godziny kontaktowe z prowadzącym Średnia liczba godzin na zrealizowanie aktywności 30W 30L 60 h Godziny konsultacji z prowadzącym 5h Zapoznanie się ze wskazaną literaturą 20 h Przygotowanie do ćwiczeń laboratoryjnych 15 h Wykonanie sprawozdań z realizacji ćwiczeń laboratoryjnych, 10 h projektów (czas poza zajęciami laboratoryjnymi) Przygotowanie do egzaminu (kolokwium) Suma SUMARYCZNA LICZBA PUNKTÓW ECTS DLA PRZEDMIOTU Liczba punktów ECTS, którą student uzyskuje na zajęciach wymagających bezpośredniego udziału prowadzącego Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym, w tym zajęć laboratoryjnych i projektowych 15 h 125 h 5 ECTS 2.6 ECTS 2.2 ECTS LITERATURA PODSTAWOWA I UZUPEŁNIAJĄCA Cichosz P. „Systemy uczące się”, WNT, W-wa, 2000. Flasiński M., „Wstęp do sztucznej inteligencji”, PWN, 2011. Goldberg D.E. „Algorytmy genetyczne i ich zastosowania”, WNT 1995 , Kisielewicz A., „Sztuczna inteligencja i logika”, WNT,W-wa, 2011. Ossowski S. „Sieci neuronowe w ujęciu algorytmicznym”, WNT , W-wa, 1996. Russell S., Norvig P.,” Artificial intelligence a modern approach”, Prentice Hall, 1995. Rutkowski L., „Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa”, W-wa, 2009, PROWADZĄCY PRZEDMIOT ( IMIĘ, NAZWISKO, ADRES E-MAIL) 1. dr inż. Artur Starczewski [email protected] 3 MACIERZ REALIZACJI EFEKTÓW KSZTAŁCENIA Efekt kształcenia Odniesienie danego efektu do efektów zdefiniowanych dla całego programu (PEK) Cele przedmiotu Treści programowe Narzędzia dydaktyczne EK1 K_W17 C1 W1-15 1,3 EK2 K_W17 C1 W14,15 1,3 EK3 K_W17 K_U20 C1,C2 W2,3 L1-L8 1-2,4-5 EK4 K_W17 C1 W4-6 1,3 EK5 K_W17 K_U20 C1,C2 W4,7 L9-L11 1-2,4-5 EK6 K_W17 C1 W8 1,3 EK7 K_W17 C1 W9 1,3 EK8 K_W17 K_U20 C1,C2 W9 L12-L15 1-2,4-5 EK9 K_W17 C1 W10,11 1,3 EK10 K_W17 C1 EK11 K_W17 C1 W14,15 1,5 EK12 K_U03 C2 L1-15 2,5 W12,13 1,3 Sposób oceny F1 P2 F4 P2 F1 F2 F3 P1 F4 P2 F1 F2 F3 P1 F4 P2 F4 P1 F1 F2 F3 P1 F4 P2 F4 P2 F4 P2 F2 P1 II. FORMY OCENY - SZCZEGÓŁY Efekt 1,2,4,6,7,9,10,11 Student opanował wiedzę z zakresu sztucznej inteligencji, potrafi podać przykłady stosowanych metod. Na ocenę 2 Na ocenę 3 Student nie opanował podstawowej wiedzy z zakresu podstaw sztucznej inteligencji. Student częściowo opanował wiedzę z zakresu podstaw sztucznej inteligencji Na ocenę 4 Student opanował wiedzę z zakresu podstaw sztucznej inteligencji, potrafi wskazać właściwą metodę dla rozwiązania dla konkretnych zadań Na ocenę 5 Student bardzo dobrze opanował wiedzę z zakresu materiału objętego programem nauczania, samodzielnie zdobywa i poszerza wiedzę przy użyciu różnych źródeł 4 Efekt 3,5,8 Student posiada umiejętności stosowania wiedzy w praktycznym rozwiązywaniu problemów związanych ze sztuczną inteligencją. Efekt 12 Student potrafi efektywnie prezentować i dyskutować wyniki własnych działań Student nie potrafi zastosować metod w praktycznym rozwiązywaniu problemów ze sztucznej inteligencji nawet z pomocą wytyczonych instrukcji oraz prowadzącego Student nie potrafi wykorzystać zdobytej wiedzy, zadania wynikające z realizacji ćwiczeń wykonuje z pomocą prowadzącego Student poprawnie wykorzystuje wiedzę oraz samodzielnie rozwiązuje problemy wynikające w trakcie realizacji ćwiczeń Student potrafi dokonać wyboru technik stosowanych w sztucznej inteligencji oraz wykonać zaawansowane aplikacje wykorzystujące takie techniki, potrafi dokonać oceny oraz uzasadnić trafność przyjętych metod Student nie opracował sprawozdania/ Student nie potrafi zaprezentować wyników swoich badań Student wykonał sprawozdanie z wykonanego ćwiczenia, ale nie potrafi dokonać interpretacji oraz analizy wyników własnych badań Student wykonał sprawozdanie z wykonanego ćwiczenia, potrafi prezentować wyniki swojej pracy oraz dokonuje ich analizy Student wykonał sprawozdanie z wykonanego ćwiczenia, potrafi w sposób zrozumiały prezentować, oraz dyskutować osiągnięte wyniki Dopuszcza się wystawienie oceny połówkowej o ile student spełniający wszystkie efekty kształcenia wymagane do oceny pełnej spełnia niektóre efekty kształcenia odpowiadające ocenie wyższej III. INNE PRZYDATNE INFORMACJE O PRZEDMIOCIE 1. Wszelkie informacje dla studentów (instrukcje do ćwiczeń laboratoryjnych, przykładowe aplikacje) dostępne są na stronie internetowej http://kik.pcz.pl. 2. Informacja na temat konsultacji przekazywana jest studentom podczas pierwszych zajęć danego z przedmiotu. 5