SylabUZ

Wygeneruj PDF dla tej strony

Metody sztucznej inteligencji - opis przedmiotu

Informacje ogólne
Nazwa przedmiotu Metody sztucznej inteligencji
Kod przedmiotu 06.1-WM-MiBM-MwBM-P-49_19
Wydział Wydział Mechaniczny
Kierunek Mechanika i budowa maszyn
Profil ogólnoakademicki
Rodzaj studiów pierwszego stopnia z tyt. inżyniera
Semestr rozpoczęcia semestr zimowy 2019/2020
Informacje o przedmiocie
Semestr 6
Liczba punktów ECTS do zdobycia 5
Typ przedmiotu obowiązkowy
Język nauczania polski
Sylabus opracował
Formy zajęć
Forma zajęć Liczba godzin w semestrze (stacjonarne) Liczba godzin w tygodniu (stacjonarne) Liczba godzin w semestrze (niestacjonarne) Liczba godzin w tygodniu (niestacjonarne) Forma zaliczenia
Wykład 30 2 18 1,2 Zaliczenie na ocenę
Laboratorium 30 2 18 1,2 Zaliczenie na ocenę
Projekt 15 1 9 0,6 Zaliczenie na ocenę

Cel przedmiotu

Zapoznanie studentów z podstawowymi pojęciami i definicjami z zakresu sztucznej inteligencji, istota sztucznej inteligencji, podstawy matematyczne elementów sztucznej inteligencji. Przedstawienie metod i narzędzi rozwiązywania zagadnień sztucznej inteligencji ze szczególnym uwzględnieniem zastosowań w mechanice i budowie maszyn.

Wymagania wstępne

Matematyka z elementami logiki matematycznej, umiejętności posługiwania narzędziami informatycznymi Matlab/Scilab.

Zakres tematyczny

Treść wykładowa:

Rachunek zdań. Rachunek predykatów I-rzędu. Tablice decyzyjne. Stwierdzenia. Zbiory rozmyte. Reguły.  Sieci neuronowe. Ramy. Metody wnioskowania: modus ponens, modus tollens oraz  reguła rezolucji. Strategie przeszukiwania stosowane w sztucznej inteligencji. Strategie wnioskowania: w głąb, w szerz, strategia backtracking oraz heurystyczna metoda przeszukiwania A*. Akwizycja wiedzy.

 Treść laboratoryjna/projektowa:

Matlab/ Scilab – środowiska do modelowania sieci neuronowych, podstawowe reguły użytkowania. Podstawowe funkcje aktywacji neuronów- tworzenie funkcji Matlaba/Scilaba. Perceptron prosty – modelowanie w środowisku Matlab/Scilab, graficzna prezentacja działania perceptronu o dwóch wejściach. Uczenie perceptronu o dwóch wejściach z graficzną prezentacją kroków uczenia. Realizacja funkcji logicznych AND, OR, NOR, NAND z użyciem perceptronu. Neuron z liniową funkcją aktywacji – modelowanie w środowisku Matlab/Scilab. Sieć perceptronowa  MLP. Modelowanie sieci neuronowych z wykorzystaniem ANN Toolbox Matlab/Scilab oraz gotowych programów.

Metody kształcenia

Wykłady konwencjonalne, oraz z wykorzystaniem technik multimedialnych.

Praca indywidualna i zespołowa w trakcie realizacji ćwiczeń laboratoryjnych i zadań projektowych. Prezentacja rozwiązań, analiza i dyskusja nad uzyskanymi wynikami.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu Symbole efektów Metody weryfikacji Forma zajęć

Warunki zaliczenia

Warunkiem zaliczenia przedmiotu jest zaliczenie wszystkich jego form.

Ocena końcowa na zaliczenie przedmiotu jest średnią arytmetyczną z ocen za poszczególne formy zajęć.

Literatura podstawowa

1.     Nilsson N. Principles of artificial intelligence, Tioga Publishing, 1980.

2.     Flasiński M. Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN, 2011

3.     Rutkowski L. Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN, 2011

4.     Chromiec J. Strzemieczna E.: Sztuczna inteligencja: Metody konstrukcji i analizy systemów eksperckich, Warszawa, AOW, 1994.

5.     Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000

Literatura uzupełniająca

1.     Chwałkowska E. Sztuczna inteligencja w systemach eksperckich, Warszawa, MIKOM, 1991

2.     Wojciechowska A. Elementy logiki i teorii mnogości, Warszawa, PWN, 1979.

Uwagi


Zmodyfikowane przez dr inż. Edward Tertel (ostatnia modyfikacja: 29-04-2019 10:58)