Rok akademicki: 2013/2014 Kod: EIT-1-603-s Punkty ECTS: 4 Wydział: Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej
Kierunek: Informatyka Specjalność: ―
Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Język wykładowy: Polski Profil kształcenia: Ogólnoakademicki (A) Semestr: 6 Strona www: http://geist.agh.edu.pl/did:ai
Osoba odpowiedzialna: prof. dr hab. inż. Nalepa Grzegorz J. (gjn@agh.edu.pl) Osoby prowadzące: prof. dr hab. inż. Nalepa Grzegorz J. (gjn@agh.edu.pl)
Kaczor Krzysztof (kk@agh.edu.pl)
prof. dr hab. inż. Ligęza Antoni (ligeza@agh.edu.pl) dr inż. Kutt Krzysztof (kkutt@agh.edu.pl)
Opis efektów kształcenia dla modułu zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK
Sposób weryfikacji
efektów kształcenia (forma zaliczeń)
Wiedza
M_W001 ma wiedzę w zakresie matematyki, obejmującą elementy logiki, rachunku prawdopodobieństwa, oraz matematyki dyskretnej, w tym metody niezbędne do formalnego opisu i analizy problemów algorytmicznych w obrębie sztucznej inteligencji
IT1A_W01 Egzamin
M_W002 ma podstawową wiedzę na temat różnych
paradygmatów programowania w tym programowania deklaratywnego, niezbędną do opisu problemów w sztucznej inteligencji
IT1A_W03 Egzamin
M_W003 ma uporządkowaną wiedzę w zakresie opisywania i konstruowania algorytmów z wykorzystaniem technik sztucznej inteligencji oraz analizy złożoności
algorytmów
IT1A_W07 Egzamin
M_W004 ma podstawową wiedzę w zakresie sztucznej inteligencji obejmującą: wyszukiwania rozwiązań w terminach przestrzeni stanów i operatorów, metody reprezentacji wiedzy i wnioskowania formalnego; ma elementarną wiedzę z obszaru inżynierii wiedzy i inteligencji obliczeniowej oraz uczenia maszynowego
IT1A_W16 Egzamin
Umiejętności
M_U001 potrafi ocenić przydatność różnych paradygmatów i związanych z nimi środowisk programistycznych do rozwiązywania różnego typu problemów sztucznej inteligencji
IT1A_U05 Kolokwium
M_U002 potrafi opisywać przestrzeń problemu wyrażonego w języku naturalnym w terminach stanów i operatorów;
umie dobierać algorytmy heurystycznego
przeszukiwania przestrzeni stanów; potrafi posługiwać się podstawowymi metodami reprezentacji wiedzy i wnioskowania formalnego
IT1A_U16 Kolokwium
M_U003 potrafi posługiwać się podstawowymi metodami uczenia maszynowego; potrafi dobierać metody z inżynierii wiedzy i inteligencji obliczeniowej do rozwiązywania praktycznych problemów; umie opisywać metody sztucznej inteligencji w deklaratywnych językach programowania
IT1A_U16 Kolokwium
Kompetencje społeczne
M_K001 ma świadomość ważności i rozumie pozatechniczne w tym społeczne aspekty i skutki działalności inżyniera- informatyka w zakresie technologii inteligentnych
IT1A_K02 Udział w dyskusji
Matryca efektów kształcenia w odniesieniu do form zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi
Forma zajęć
Wykład Ćwiczenia audytoryjne Ćwiczenia laboratoryjne Ćwiczenia projektowe Konwersatori um Zajęcia seminaryjne Zajęcia praktyczne Inne Zajęcia terenowe Zajęcia E-learning Wiedza
M_W001 ma wiedzę w zakresie matematyki, obejmującą elementy logiki, rachunku prawdopodobieństwa, oraz matematyki dyskretnej, w tym metody niezbędne do formalnego opisu i analizy problemów algorytmicznych w obrębie sztucznej
inteligencji
+ - - - -
M_W002 ma podstawową wiedzę na temat różnych paradygmatów programowania w tym
programowania
deklaratywnego, niezbędną do opisu problemów w sztucznej inteligencji
+ - - - -
M_W003 ma uporządkowaną wiedzę w zakresie opisywania i
konstruowania algorytmów z wykorzystaniem technik sztucznej inteligencji oraz analizy złożoności
algorytmów
+ - - - -
M_W004 ma podstawową wiedzę w zakresie sztucznej inteligencji obejmującą: wyszukiwania rozwiązań w terminach przestrzeni stanów i operatorów, metody reprezentacji wiedzy i wnioskowania formalnego;
ma elementarną wiedzę z obszaru inżynierii wiedzy i inteligencji obliczeniowej oraz uczenia maszynowego
+ - - - -
Umiejętności
M_U001 potrafi ocenić przydatność różnych paradygmatów i związanych z nimi środowisk programistycznych do rozwiązywania różnego typu problemów sztucznej inteligencji
- - + - - - -
M_U002 potrafi opisywać przestrzeń problemu wyrażonego w języku naturalnym w terminach stanów i
operatorów; umie dobierać algorytmy heurystycznego przeszukiwania przestrzeni stanów; potrafi posługiwać się podstawowymi metodami reprezentacji wiedzy i wnioskowania formalnego
- - + - - - -
M_U003 potrafi posługiwać się podstawowymi metodami uczenia maszynowego;
potrafi dobierać metody z inżynierii wiedzy i inteligencji obliczeniowej do
rozwiązywania praktycznych problemów; umie opisywać metody sztucznej inteligencji w deklaratywnych językach programowania
- - + - - - -
Kompetencje społeczne
M_K001 ma świadomość ważności i rozumie pozatechniczne w tym społeczne aspekty i skutki działalności inżyniera- informatyka w zakresie technologii inteligentnych
- - + - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład
1. Wstęp: historia, systemy, metody, obszary zastosowań. Definicje AI.
2. Architektury systemów inteligentnych. Systemy z bazą wiedzy (KBS). Koncepcja inteligentnego agenta. Systemy wieloagentowe.
3. Metody reprezentacji i przetwarzania wiedzy symbolicznej. Logika w AI.
4. Algorytmy przeszukiwania przestrzeni stanów.
5. Metody szukania heurystycznego.
6. Prolog i programowanie w logice jako narzędzia AI.
7. Programowanie z ograniczeniami.
8. Systemy regułowe, ekspertowe i reguł biznesowych. Systemy wspomagania decyzji.
9. Reprezentacja wiedzy niepewnej i niepełnej: współczynniki niepewności, Teoria Dempstera-Shafera, zbiory i logika rozmyta.
10. Metody probabilistyczne. Reguła i sieci Bayesowskie. Modele Markowa (HMM).
11. Planowanie. Automatyczna generacja planów.
12. Uczenie Maszynowe z nauczycielem i nienadzorowane.
13. Inteligencja obliczeniowa: sieci neuronowe i alg. genetyczne. Algorytmy ewolucyjne i inspirowane biologią.
14. Sieć semantyczna i ontologie.
15. Podsumowanie. Kierunki rozwoju.
Ćwiczenia laboratoryjne
1. Metody reprezentacji wiedzy
2. Algorytmy szukania rozwiązań w przestrzeni stanów 3. Programowanie z ograniczeniami
4. Systemy regułowe: reprezentacja i wnioskowani
5. Systemy z wiedzą niepewną: użycie logiki rozmytej, reprezentacja probabilistyczna 6. Algorytmy planowania
7. Uczenie maszynowe 8. Podstawy Semantic Web
9. Powtórzenie i sprawdzenie wiadomości
Sposób obliczania oceny końcowej
Ocena końcowa jest wystawiana na podstawie oceny z laboratorium oraz wyniku egzaminu.
Wymagania wstępne i dodatkowe
Znajomość podstaw:
• logiki, w szczególności rachunku zdań i predykatów
• matematyki dyskretnej, w szczególności relacji, grafów
• programowania w logice w języku Prolog
Zalecana literatura i pomoce naukowe
Literatura podstawowa
• D. Poole, A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, Cambridge University Press, 2010. full ONLINE
• S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 3rd Ed., Pearson, 2010.
Literatura uzupełniająca:
• M. Negnevitsky, Artificial Intelligence: A Guide to Intelligent Systems, 2nd ed, Addison Wesley, 2004.
• R. Tadeusiewicz, Sieci neuronowe, RM, 1993.
• Mariusz Flasiński, Wstęp do sztucznej inteligencji, PWN 2011.
• A. Kisielewicz, Sztuczna inteligencja. Podsumowanie przedsięwzięcia naukowego, WNT 2011.
• Wiesław Traczyk, Inżynieria Wiedzy, EXIT, 2010.
Pomoce naukowe
• GEIST, Laboratoria z Prologu w systemie AI wiki, AGH, 2006-12.
http://ai.ia.agh.edu.pl/wiki/pl:prolog:start
• Alan Mackworth and David Poole, Narzędzia AI space, 1999-2010. http://aispace.org/
• Patrick Blackburn, Johan Bos, and Kristina Striegnitz, kurs: Learn Prolog Now!, 2006-11.
http://www.learnprolognow.org/
Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu
Nie podano dodatkowych publikacji
Informacje dodatkowe
Brak
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie
studenta
Udział w wykładach 28 godz
Udział w ćwiczeniach laboratoryjnych 14 godz
Przygotowanie do zajęć 30 godz
Samodzielne studiowanie tematyki zajęć 28 godz
Sumaryczne obciążenie pracą studenta 100 godz
Punkty ECTS za moduł 4 ECTS