SylabUZ

Wygeneruj PDF dla tej strony

Techniki sztucznej inteligencji - opis przedmiotu

Informacje ogólne
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 2018/2019
Informacje o przedmiocie
Semestr 2
Liczba punktów ECTS do zdobycia 6
Typ przedmiotu obowiązkowy
Język nauczania polski
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 18 1,2 Egzamin
Laboratorium 30 2 18 1,2 Zaliczenie na ocenę

Cel przedmiotu

  • 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

Wymagania wstępne

Zakres tematyczny

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 rozpoznawania obrazów.

Deep learning. Splotowe sieci neuronowe. Autoenkodery. 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. Prosty algorytm genetyczny. Metody kodowania.  Krzyżowanie i mutacja. Zestawienie mechanizmów selekcji i sukcesji. Algorytmy inteligencji rojowej.

Metody kształcenia

Wykład: wykład konwencjonalny
Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu Symbole efektów Metody weryfikacji Forma zajęć

Warunki zaliczenia

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%

Literatura podstawowa

  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.

Literatura uzupełniająca

  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.

Uwagi


Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 24-04-2018 12:28)