Politechnika Warszawska - Centralny System UwierzytelnianiaNie jesteś zalogowany | zaloguj się
katalog przedmiotów - pomoc

Wprowadzenie do sztucznej inteligencji

Informacje ogólne

Kod przedmiotu: 103A-INxxx-ISP-WSI Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Wprowadzenie do sztucznej inteligencji
Jednostka: Wydział Elektroniki i Technik Informacyjnych
Grupy: ( Podstawy informatyki )-Informatyka-inż.-EITI
( Przedmioty podstawowe )-Informatyka w multimediach-mgr.-EITI
( Przedmioty podstawowe )-Inteligentne systemy-mgr.-EITI
( Przedmioty podstawowe )-Sztuczna inteligencja-mgr.-EITI
( Przedmioty techniczne )---EITI
Punkty ECTS i inne: 5.00
Język prowadzenia: polski
Jednostka decyzyjna:

103000 - Wydział Elektroniki i Technik Informacyjnych

Kod wydziałowy:

WSI

Numer wersji:

1

Skrócony opis:

Przedmiot stanowi wprowadzenie do głównych gałęzi sztucznej inteligencji, a w szczególności algorytmów ewolucyjnych i genetycznych, uczenia maszynowego, sztucznych sieci neuronowych i automatycznego wnioskowania.


Ćwiczenia związane z przedmiotem są nastawione na implementację metod sztucznej inteligencji w językach programowania średniego poziomu i ich zastosowanie do rzeczywistych problemów.

Pełny opis:

Przedmiot stanowi wprowadzenie do głównych gałęzi sztucznej inteligencji, a w szczególności algorytmów ewolucyjnych i genetycznych, uczenia maszynowego, sztucznych sieci neuronowych i automatycznego wnioskowania.
Ćwiczenia związane z przedmiotem są nastawione na implementację metod sztucznej inteligencji w językach programowania średniego poziomu i ich zastosowanie do rzeczywistych problemów.



Treść wykładu

  1. Wstęp (2 godz.)
    Definicja sztucznej inteligencji. Słaba i silna sztuczna inteligencja. Przykłady współczesnych zastosowań sztucznej inteligencji.

  2. Część I. Przeszukiwanie.
  3. Zagadnienie przeszukiwania i podstawowe podejścia do niego (2 godz.)
    Definicja zadania przeszukiwania: przestrzeń przeszukiwania, funkcja celu. Podstawowe metody analityczne: metoda gradientu prostego, metoda Newtona. Optymalizacja stochastyczna: metoda stochastycznego najszybszego spadku.
  4. Algorytmy ewolucyjne i genetyczne (4 godz.)
    Ogólna struktura algorytmu ewolucyjnego. Krzyżowanie i mutacja. Algorytm (1+1). Algorytm (mu+lambda). Ogólna struktura algorytmu genetycznego. Kodowanie. Krzyżowanie i mutacja w algorytmach genetycznych.
  5. Dwuosobowe gry deterministyczne (2 godz.)
    Algorytm przeszukania wyczerpującego. Algorytm min-max. Przycinanie alfa-beta. Techniki pomocnicze: książka otwarć, heurystyki wybierające kolejność analizowanych ruchów.

  6. Część II. Uczenie maszynowe.
  7. Regresja i klasyfikacja (4 godz.)
    Modele liniowe. Maszyna Wektorów Nośnych (SVM). Drzewa decyzyjne i ich indukcja algorytmami ID3 i C4.5. Gradient Boosting. Miary jakości regresji i klasyfikacji.
  8. Sztuczne sieci neuronowe (4 godz.)
    Perceptron dwuwarstwowy. Wsteczna propagacja gradientu. Uczenie sieci.
  9. Modele bayesowskie (4 godz.)
    Algorytmy uczenia maszynowego jako estymatory. Uczenie z zastosowaniem maksymalnej wiarygodności, maksimum a`posteriori i entropii krzyżowej. Sieci Bayesa i klasyfikator bayesowski.
  10. Uczenie się ze wzmocnieniem (2 godz.)
    Model Procesu Decyzyjnego Markowa. Algorytm Q-Learning. Strategie wyboru akcji. Eksploracja i eksploatacja w uczeniu się ze wzmocnieniem.

  11. Część III. Automatyczne wnioskowanie.
  12. Logika zdań i logika predykatów (2 godz.)
    Zdania. Spójniki logiczne. Predykaty. Termy. Literały. Klauzule. Podstawienie i unifikacja. Sprowadzanie formuły logiki predykatów do postaci zbioru klauzul.
  13. Wnioskowanie (2 godz.)
    Wnioskowanie w przód. Wnioskowanie wstecz. Wnioskowanie przez rezolucję i zaprzeczenie.
  14. Formalne podstawy automatycznego wnioskowania (2 godz.)
    Poprawność i zupełność systemu wnioskującego. Strategie sterowania wnioskowaniem: przeszukiwanie wszerz, strategia zbioru uzasadnień, strategia liniowa, strategia z preferencją dla krótkich klauzul.



Treść ćwiczeń

Studenci wykonują ćwiczenia przed komputerami, częściowo na zajęciach, a częściowo w domu. Implementują wybrane algorytmy omawiane na wykładzie i stosują je do przykładowych problemów.

  1. Implementacja i zastosowanie algorytmów ewolucyjnych (1+1) i (mu+lambda).
  2. Implementacja i zastosowanie algorytmu genetycznego.
  3. Implementacja algorytmu zachłannego, A* i IDA* i jego zastosowanie do przykładowego problemu przeszukiwania przestrzeni stanów.
  4. Implementacja algorytmu MIN-MAX z przycinaniem alfa-beta i zastosowanie go w programie grającym w grę taką jak warcaby.
  5. Implementacja modelu liniowego do regresji oraz SVM i indukcji drzew decyzyjnych do budowy klasyfikatora.
  6. Implementacja perceptronu dwuwarstwowego oraz algorytmu jego uczenia i zastosowanie go do problemu regresji.
  7. Modelowanie rozkładu prawdopodobieństwa z użyciem zaimplementowanej sieci Bayesa.
  8. Implementacja algorytmu Q-Learning i zastosowanie go w syntetycznym problemie uczenia się ze wzmocnieniem.
  9. Implementacja parsowania, przekształcania i reguł produkcji formuł rachunku predykatów.
  10. Implementacja różnych strategii sterowania wnioskowaniem przez rezolucję i zaprzeczenie.
  11. Implementacja systemu wnioskującego i zastosowanie go do rozwiązywania łamigłówek logicznych.
Literatura:

  1. Paweł Wawrzyński, “Podstawy Sztucznej Inteligencji,” Oficyna Wydawnicza Politechniki Warszawskiej, 2014.
  2. Sean Luke, “Essentials of metaheuristics”, Raleigh: Lulu, 2009.
  3. Michalewicz Zbigniew, David B. Fogel, “Jak to rozwiązać czyli nowoczesna heurystyka”, WNT, 2006.
  4. Stuart J. Russel, Peter Norvig, “Artificial Intelligence: A Modern Approach,” Prentice Hall, 2010.
  5. Ian Goodfellow, Yoshua Bengio, Aaron Courville, “Deep Learning,” WNT, 2015.
  6. Paweł Cichosz, “Data Mining: Explained Using R, Wiley and Sons,” 2015.
Metody i kryteria oceniania:

Sprawdzanie założonych efektów kształcenia realizowane jest przez:

  • ocenę wiedzy i umiejętności związanych z realizacją ćwiczeń – ocena ze zrealizowanych zadań;
  • ocenę wiedzy wykazanej na egzaminie pisemnym.

Zajęcia w cyklu "rok akademicki 2020/2021 - sem. zimowy" (jeszcze nie rozpoczęty)

Okres: 2020-10-01 - 2021-02-21
Wybrany podział planu:


powiększ
zobacz plan zajęć
Typ zajęć: Ćwiczenia, 30 godzin, 150 miejsc więcej informacji
Wykład, 30 godzin, 150 miejsc więcej informacji
Koordynatorzy: (brak danych)
Prowadzący grup: (brak danych)
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Jednostka realizująca:

103200 - Instytut Informatyki

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Politechnika Warszawska.