1. SylabUZ
2. Faculty of Computer Science, Electrical Engineering and Automatics
3. winter term 2022/2023
4. Computer Science - Second-cycle studies leading to MSc degree
5. Artificial Intelligence Technique

Generate PDF for this page

Artificial Intelligence Technique - course description

Aim of the course

• zapoznanie studentów z zasadami działanie wybranych technik sztucznej inteligencji, zakresem ich zastosowań i trendach rozwojowych
• ukształtowanie umiejętności doboru odpowiedniej metody sztucznej inteligencji do rozwiązania zadanego problemu naukowego, umiejętności strojenia parametrów modeli sztucznej inteligencji i interpretacji wyników

Prerequisites

Save changes

Scope

Wprowadzenie do technik sztucznej inteligencji: motywacje i inspiracje biologiczno-społeczne, ogólne założenia, uczenie i organizacja danych, techniki sztucznej inteligencji a metody analityczne.

Jednokierunkowe sieci neuronowe: struktura i własności, algorytm wstecznej propagacji błędu, uczenie bez nadzoru, przykłady zastosowań sieci neuronowych w rozpoznawaniu obrazów.

Deep learning. Splotowe sieci neuronowe. Autoenkodery. Sieci typu LSTM (ang. Long Short Term Memory). Zastosowanie obliczeń na kartach graficznych do uczenia głębokiego.

Systemy rozmyte i neuro-rozmyte. Zbiory rozmyte i logika rozmyta. Operacje na zbiorach rozmytych. Wnioskowanie rozmyte. Reguły rozmyte. Struktury neuro-rozmyte. Algorytmy uczenia dla sieci neuro-rozmytych z wykorzystaniem algorytmów gradientowych.

Algorytmy ewolucyjne i systemy rojowe. Podstawowe pojęcia. Ogólny schemat algorytmu ewolucyjnego. Klasy algorytmów ewolucyjnych. Prosty algorytm genetyczny. Metody kodowania.  Krzyżowanie i mutacja. Zestawienie mechanizmów selekcji i sukcesji. Algorytmy inteligencji rojowej.

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 testów 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. Goodfellow I., Bengio Y., Courville A.: Deep Learning, Systemy uczące się, PWN, 2018.
3. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013.
4. Flasiński M.: Wstęp do sztucznej inteligencji, PWN, Warszawa, 2011.
5. Russell S., Norvig P.: Artificial Intelligence: A Modern Approach, Prentice Hall, 2009.
6. Łęski J.: Systemy neuronowo-rozmyte, WNT, Warszawa, 2008.
7. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 1999.
8. Korbicz J. Obuchowicz A. Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania, AOW PLJ, Warszawa, 1994.
9. Arabas J.: Wykłady z algorytmów ewolucyjnych, WNT Warszawa 2001
10. Trojanowski K.: Metaheurystyki praktyczne - Wydawnictwo Wyższej Szkoły Informatyki Stosowanej i Zarządzania, Warszawa 2005 Cichosz P., Systemy uczące się, WNT, Warszawa, 2000.
11. Mulawka J.: Systemy ekspertowe, WNT, 1997.
12. Piegat A.: Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 1999.
13. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe, PWN, Warszawa, 1996.
14. 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.

Further reading

1. Goodfellow I., Bengio Y., Courville A.: Deep Learning, MIT Press, 2016.
2. Murphy K.P.: Machine Learning: a Probabilistic Perspective, MIT Press, 2013.
3. Żurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe, PWN, Warszawa, 1996.
4. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Biocybernetyka i Inżynieria Biomedyczna 2000. Tom 6. Sieci Neuronowe, Akademicka Oficyna Wydawnicza Exit, Warszawa, 2000.
5. Tadeusiewicz R.: Sieci Neuronowe, Akademicka Oficyna Wydawnicza RM, 1993.
6. Piliński M., Rutkowska D., L. Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wyd. Naukowe PWN, Warszawa, 1997.
7. Rutkowska D.: Inteligentne systemy obliczeniowe. Algorytmy i sieci neuronowe w systemach rozmytych, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1997.

Notes

Modified by dr inż. Piotr Witczak (last modification: 24-04-2022 09:47)