SylabUZ
Nazwa przedmiotu | Techniki sztucznej inteligencji |
Kod przedmiotu | 11.3-WI-INFD-TSI |
Wydział | Wydział Informatyki, Elektrotechniki i Automatyki |
Kierunek | Informatyka |
Profil | ogólnoakademicki |
Rodzaj studiów | drugiego stopnia z tyt. magistra inżyniera |
Semestr rozpoczęcia | semestr zimowy 2017/2018 |
Semestr | 2 |
Liczba punktów ECTS do zdobycia | 6 |
Typ przedmiotu | obowiązkowy |
Język nauczania | polski |
Sylabus opracował |
|
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 | Egzamin |
Laboratorium | 30 | 2 | 18 | 1,2 | Zaliczenie na ocenę |
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, algorytmy wstecznej propagacji błędu , algorytmy quasi-Newtonowskie, przykłady zastosowań sieci neuronowych w zagadnieniach modelowania i rozpoznawania obrazów. Rekurencyjne sieci neuronowe: dynamiczne sieci neuronowe bazujące na strukturze sieci jednokierunkowej, algorytmy ucznia sieci neuronowych ze sprzężeniem zwrotnym. Samoorganizujące się sieci neuronowe: sieci konkurencyjne, mapa cech Kohonena. Metody uczenia głębokiego. Splotowe sieci neuronowe. Ograniczona maszyna Boltzmanna. Sieci typy Deep Belief Networks. Zastosowanie obliczeń GPU 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 ucznia dla sieci neuro-rozmytych z wykorzystaniem algorytmów gradientowych.
Systemy ekspertowe. Metody reprezentacji wiedzy w systemach ekspertowych. Systemy regułowe. Metody wnioskowania, wnioskowanie w przód, wnioskowanie wstecz, wnioskowanie mieszane.
Algorytmy ewolucyjne i systemy rojowe. Podstawowe pojęcia. Ogólny schemat algorytmu ewolucyjnego. Klasy algorytmów ewolucyjnych. Standardowe algorytmy ewolucyjne. Prosty algorytm genetyczny. Problemy z kodowaniem. Twierdzenie Hollanda o schematach. Przedwczesna zbieżność i techniki jej unikania. Programowanie genetyczne. Algorytmy programowania ewolucyjnego i strategie ewolucyjne. Operatory w ewolucji. Zestawienie mechanizmów selekcji i ich porównanie. Mutacja w przestrzeniach rzeczywistych. Adaptacja w środowisku niestacjonarnym. Algorytmy inteligencji rojowej. Optymalizacja rojem cząstek, systemy mrówkowe.
Wykład: wykład konwencjonalny
Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego
Opis efektu | Symbole efektów | Metody weryfikacji | Forma zajęć |
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%
Zmodyfikowane przez prof. dr hab. inż. Andrzej Obuchowicz (ostatnia modyfikacja: 19-04-2017 13:22)