SylabUZ

Wygeneruj PDF dla tej strony

Elements of artificial intelligence - opis przedmiotu

Informacje ogólne
Nazwa przedmiotu Elements of artificial intelligence
Kod przedmiotu 11.4-WE-INFP-EoAI-Er
Wydział Wydział Informatyki, Elektrotechniki i Automatyki
Kierunek WIEiA - oferta ERASMUS / Informatyka
Profil -
Rodzaj studiów Program Erasmus pierwszego stopnia
Semestr rozpoczęcia semestr zimowy 2018/2019
Informacje o przedmiocie
Semestr 4
Liczba punktów ECTS do zdobycia 7
Typ przedmiotu obowiązkowy
Język nauczania angielski
Sylabus opracował
  • dr hab. inż. Marek Kowal, prof. UZ
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 - - Egzamin
Laboratorium 30 2 - - Zaliczenie na ocenę

Cel przedmiotu

  • Familiarize students with the concept of artificial neural networks and their learning algorithms,
  • Familiarize students with the concept of fuzzy sets and fuzzy inference mechanism,
  • Familiarize students with different graph search strategies.
  • Teach students to solve practical engineering problems using artificial intelligence methods.

Wymagania wstępne

Principles of programming, Algorithms and data structures

Zakres tematyczny

Artificial neural networks.Biological neuron. Mathematical model of a neuron. Simple
perceptron. Perceptron learning rule. Perceptron limitations. Models of neurons and their properties. Adaline and Madaline architectures. Multilayer neural networks. Learning of single-layer neural network. Learning of multi-layer neural network. Error back propagation algorithm. Models of dynamic neurons. Deep learning. Dynamic neural networks. Sample applications of artificial neural networks.

Fuzzy sets and neuro-fuzzy systems. Fuzzy sets anf fuzzy logic. Operations on fuzzy sets. Fuzzy inference. Fuzzy rules. Neuro-fuzzy structures and learning algorithms. Sample applications of fuzzy systems.

Graph search strategies. The breadth first search algorithm. The depth first search algorithm. The A* search algorithm. Heuristic functions. Memory and time compelxity. The minimax algorithm. The alpha-beta pruning algorithm. Constrained search.

Metody kształcenia

Lecture, teaching laboratory classes.

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu Symbole efektów Metody weryfikacji Forma zajęć

Warunki zaliczenia

Lecture - the passing criterion is a sufficient mark from the final test.
Laboratory - the passing criterion are positive marks for laboratory exercises and tests.
Final mark components = lecture: 50% + teaching laboratory: 50%

Literatura podstawowa

  1. Russell S., Norvig P.: Artificial Intelligence: A Modern Approach, Prentice Hall, 2009.
  2. Goodfellow I., Bengio Y., Courville A.: Deep Learning, MIT Press, 2016.
  3. Bishop C.M., Hinton G. : Neural Networks for Pattern Recognition, Clarendon Press, Oxford, 1995.
  4. Edelkamp S., Schroedl S.: Heuristic Search: Theory and Applications, Morgan Kaufmann, 2012. 
  5. Zimmermann H-J.: Fuzzy Set Theory and Its Applications, Springer, 2006.

Literatura uzupełniająca

  1. Bishop C.: Pattern Recognition and Machine Learning, Springer Verlag, 2006.
  2. Ross. T.: Fuzzy Logic with Engineering Applications, Wiley, 2004.

Uwagi


Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 27-03-2018 18:07)