Uniwersytet Ślaski w Katowicach - Centralny System Uwierzytelniania
Strona główna

PODSTAWY SZTUCZNEJ INTELIGENCJI

Informacje ogólne

Kod przedmiotu: 03-IN-S1-PSI315
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: PODSTAWY SZTUCZNEJ INTELIGENCJI
Jednostka: Wydział Matematyki, Fizyki i Chemii
Grupy: Przedmioty obowiązkowe - 4 sem. informatyki /stacjonarne I stopnia/
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Rodzaj przedmiotu:

obowiązkowy

Skrócony opis:

Celem przedmiotu jest omówienie podstawowych metod sztucznej inteligencji, w tym systemów ekspertowych, technik wnioskowania, przeszukiwania przestrzeni stanów oraz uczenia maszynowego

Pełny opis:

W ramach przedmiotu omawiane będą następujące zagadnienia:

Sformułowanie zadania wnioskowania. Systemy ekspertowe – budowa bazy wiedzy, baza wiedzy z ograniczeniami. Wiedza przybliżona w systemach ekspertowych. Wnioskowanie w przód i wstecz. Wnioskowanie w deklaratywnym języku PROLOG, przykładowe predykaty. Budowa i przykłady systemów automatycznego wnioskowania. Zadanie przeszukiwania przestrzeni stanów. Pojęcie stanu początkowego, operatora stanów, stanu końcowego. Strategie przeszukiwania w głąb i wszerz, wybrane strategie przeszukiwania heurystycznego, algorytm przeszukiwania z nawrotami. Strategie gier dwuosobowych, algorytm min max, przycinanie alfa-beta. Uczenie maszynowe, omówienie zasady uczenia z nauczycielem, ocena wyniku uczenia nadzorowanego. Pojęcie funkcji błędu, problem generalizacji, rola zbioru trenującego, testowego. Zadanie uczenia klasyfikacji. Sztuczne sieci neuronowe. Model sztucznego neuronu, funkcje aktywacji. Metody uczenia perceptronu wielowarstwowego, algorytm wstecznej propagacji błędu. Uczenie nienadzorowane, aglomeracyjny algorytm grupowania hierarchicznego, algorytmy z optymalizacją funkcji kryterialnej.

Literatura:

1. G. Luger: Artificial Intelligence: Structures and Strategies for Complex Problem Solving, Addison-

Wesley, 2005.

2. Cichosz: Systemy uczące się, WNT 2007.

3. A. Niederliński: Regułowe systemy ekspertowe, Wyd. Pracowni Komputerowej Jacka

Skalmierskiego, 2000.

4. J. Żurada, M. Barski, M. Jędruch: Sztuczne sieci neuronowe, PWN 1996.

Efekty uczenia się:

Ma podstawową wiedzę o metodach sztucznej inteligencji

Posiada umiejętność opisywania przestrzeni problemu

Posiada umiejętność dobierania algorytmu przeszukiwania heurystycznego do specyfiki problemu

Metody i kryteria oceniania:

Egzamin pisemny obejmujący zagadnienia omawiane na wykładzie. Warunkiem przystąpienia do egzaminu jest zaliczenie laboratorium na ocenę pozytywną.

Ocenę z egzaminu, w zależności od zdobytej łącznej liczby punktów, określa się następująco:

[0; 5) ndst (2.0)

[5; 7) dst (3.0)

[7; 8) dst + (3.5)

[8; 10) db (4.0)

[10; 11) db + (4.5)

[11; 12] bdb (5.0)

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Ślaski w Katowicach.
kontakt deklaracja dostępności USOSweb 7.0.3.0 (2024-03-22)