SylabUZ
Course name | Artificial Intelligence Components |
Course ID | 11.4-WI-INFP-ESI |
Faculty | Faculty of Computer Science, Electrical Engineering and Automatics |
Field of study | Computer Science |
Education profile | academic |
Level of studies | First-cycle studies leading to Engineer's degree |
Beginning semester | winter term 2022/2023 |
Semester | 4 |
ECTS credits to win | 6 |
Course type | obligatory |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 30 | 2 | 18 | 1,2 | Exam |
Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
Podstawy programowania, Algorytmy i struktury danych
Sztuczne sieci neuronowe. Budowa neuronu biologicznego. Matematyczny model neuronu. Perceptron prosty. Reguła uczenie perceptronu. Ograniczenia perceptronu prostego. Modele neuronów i ich własności. Struktury Adaline i Madaline. Sieci wielowarstwowe. Uczenie sieci jednowarstwowej. Uczenie sieci wielowarstwowej. Algorytm wstecznej propagacji błędów. Modele neuronów dynamicznych. Dynamiczne sieci neuronowe. Przykłady zastosowań sztucznych sieci neuronowych.
Systemy rozmyte i neuro-rozmyte. Zbiory rozmyte i logika rozmyta. Operacje na zbiorach rozmytych. Wnioskowanie rozmyte. Reguły rozmyte. Przykłady systemów rozmytych. Struktury neuro-rozmyte i algorytmy ich ucznia.
Algorytmy przeszukiwanie wszerz i w głąb. Algorytm A*. Funkcje heurystyczne. Złożoność pamięciowa i czasowa strategii przeszukiwania. Algorytm minimax. Algorytm przycinania alfa-beta. Przeszukiwanie z ograniczeniami.
Wykład: wykład konwencjonalny
Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego
Outcome description | Outcome symbols | Methods of verification | The class form |
Wykład - warunkiem zaliczenia jest uzyskanie pozytywnych ocen z kolokwiów pisemnych lub ustnych przeprowadzonych, co najmniej raz w semestrze.
Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych oraz kolokwiów i sprawdzianów przewidzianych w ramach laboratorium.
Składowe oceny końcowej = wykład: 50% + laboratorium: 50%
Modified by prof. dr hab. inż. Józef Korbicz (last modification: 10-04-2022 11:33)