1. SylabUZ
2. Faculty of Civil Engineering, Architecture and Environmental Engineering
3. winter term 2022/2023
4. Geoinformatics and satellite technology - First-cycle studies leading to Engineer's degree
5. Elements of artificial intelligence

Generate PDF for this page

Elements of artificial intelligence - course description

Aim of the course

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

Prerequisites

Save changes

Podstawy programowania, Podstawy analizy danych.

Scope

Pojęcie agenta i przestrzeni stanów. Algorytmy przeszukiwania wszerz i w głąb. Algorytm zachłanny i równego kosztu, Algorytm A*. Funkcje heurystyczne. Złożoność pamięciowa i  czasowa  strategii  przeszukiwania. Algorytm  minimax i alfa-beta.  Przeszukiwanie  z ograniczeniami. Ćwiczenia praktyczne z wykorzystania metod przeszukiwania grafów i drzew.

Wprowadzenie do sztucznych sieci neuronowych. Matematyczny model neuronu. Funkcje aktywacji. Perceptron prosty. Reguła  uczenie  perceptronu.  Granica decyzyjna i ograniczenia perceptronu prostego. Sieci wielowarstwowe. Funkcje błędu. Algorytm wstecznej propagacji błędu. Uczenie głębokie. Splotowe sieci neuronowe. Autoenkodery. Modele generatywne typu GAN. Ćwiczenia praktyczne z wykorzystania modeli neuronowych.

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 pozytywnej oceny z egzaminu

Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych oraz sprawdzianów przewidzianych w ramach laboratorium.

Składowe oceny końcowej = wykład: 50% + laboratorium: 50%

Recommended reading

1. Russell S., Norvig P.: Artificial Intelligence: A Modern Approach, Prentice Hall, 2009.
2. Bengio Y., Courville A., Goodfellow A.: Deep Learning Współczesne systemy uczące się, PWN, 2019.
3. Chollet F: Deep Learning. Praca z językiem Python i biblioteką Keras, Helion, 2019.
4. Flasiński M.: Wstęp do sztucznej inteligencji, PWN, Warszawa, 2011.
5. Rutkowski L.: Metody i techniki sztucznej inteligencji, WNT, Warszawa, 2015
6. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechnik Warszawskiej, Warszawa, 2013
7. Korbicz J. Obuchowicz A. Uciński D.: Sztuczne sieci neuronowe: podstawy i zastosowania, AOW PLJ, Warszawa, 1994.

Further reading

1. Mulawka J.J.: Systemy ekspertowe, WNT, 1997.

Notes

Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 04-05-2022 12:56)