1. SylabUZ
2. Faculty of Computer Science, Electrical Engineering and Automatics
3. winter term 2022/2023
4. Computer Science - First-cycle studies leading to Engineer's degree
5. Artificial Intelligence Components

Generate PDF for this page

Artificial Intelligence Components - course description

Aim of the course

• zapoznanie studentów z architekturami sztucznych sieci neuronowych i algorytmami ich uczenia,
• zapoznanie studentów z teorią zbiorów rozmytych oraz wnioskowaniem rozmytym,
• zapoznanie studentów z różnymi strategiami przeszukiwania grafów,
• ukształtowanie  umiejętności  z  zakresy  wykorzystania  poznanych  metod  sztucznej  inteligencji  w rozwiązywaniu praktycznych problemów inżynierskich.

Prerequisites

Save changes

Podstawy programowania, Algorytmy i struktury danych

Scope

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.

Teaching methods

Wykład: wykład konwencjonalny

Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego

Learning outcomes and methods of theirs verification

Outcome description	Outcome symbols	Methods of verification	The class form

Assignment conditions

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%

Recommended reading

1. Rutkowski L.: Metody i techniki sztucznej inteligencji, WNT, Warszawa, 2015
2. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013.
3. Flasiński M.: Wstęp do sztucznej inteligencji, PWN, Warszawa, 2011.
4. Russell S., Norvig P.: Artificial Intelligence: A Modern Approach, Prentice Hall, 2009.
5. Łęski J.: Systemy neuronowo-rozmyte, WNT, Warszawa, 2008.Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 1999.
6. Korbicz J. Obuchowicz A. Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania, AOW PLJ, Warszawa, 1994.
7. Bengio Y., Courville A., Goodfellow A.: Deep Learning Współczesne systemy uczące się, PWN, 2019.

Further reading

1. Tadeusiewicz R., Korbicz J., Rutkowski L., Duch W.: Sieci neuronowe w inżynierii biomedycznej. Akademicka Oficyna Wydawnicza EXIT, Inżynieria biomedyczna. Podstawy i zastosowania, tom 9, 2013.
2. Bishop C.: Pattern Recognition and Machine Learning, Springer Verlag, 2006.
3. Mulawka J.J.: Systemy ekspertowe, WNT, 1997.

Notes

Modified by prof. dr hab. inż. Józef Korbicz (last modification: 10-04-2022 11:33)