Drukuj sylabus

Podstawy sztucznej inteligencji

Informacje ogólne

Kod przedmiotu:

MP0-ZI/S>PodSztInt

Kod Erasmus / ISCED:

(brak danych) / (brak danych)

Nazwa przedmiotu:

Podstawy sztucznej inteligencji

Jednostka:

Zakład Informatyki

Grupy:

Przedmioty 7 sem.-zarządzanie i inż.produkcji-sys.zapewn. jak. prod. nst. I-go st. (inż.), St. Wola

Punkty ECTS i inne:

(brak)

Podstawowe informacje o zasadach przyporządkowania punktów ECTS:

roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji

Język prowadzenia:

polski

Pełny opis:

W ramach przedmiotu będą prezentowane narzędzia do tworzenia systemów ekspertowych i metody reprezentacji wiedzy oraz nowoczesne technologie i metody sztucznej inteligencji takie, jak: sztuczne sieci neuronowe, logika rozmyta i algorytmy genetyczne.

Treści kształcenia

- Istota i charakterystyka sztucznej inteligencji jako dziedziny naukowej. Zakres badań nad sztuczną inteligencją. Działy i metody sztucznej inteligencji: wnioskowanie, przeszukiwanie, uczenie maszynowe, systemy rozmyte. Perspektywy rozwoju sztucznej inteligencji. Ocena inteligencji: Test Touringa, chiński pokój Searla.

- Systemy ekspertowe: architektura, rodzaje, zasady i metody ich konstrukcji. Szkieletowe systemy ekspertowe. Doradcze systemy oparte o bazę wiedzy. Zalety i wady systemów ekspertowych

- Paradoks Moraveca powodem powstania sztucznych sieci neuronowych. Rys historyczny sztucznych sieci neuronowych. Kategorie zastosowań sztucznych sieci neuronowych. Opis wybranych obszarów aplikacyjnych sztucznych sieci neuronowych. Podstawowy zestaw pojęć dotyczący sztucznych sieci neuronowych, opis wybranych funkcji aktywacji. Klasyfikacja sztucznych sieci neuronowych.Opis wybranych typów sztucznych sieci neuronowych. Proces uczenia sieci neuronowej. Przykład działania sieci neuronowej z procesem uczenia: forward i back-propagation. Zalety i wady sztucznych sieci neuronowych. Sieci neuronowe w "Statistica Neural Networks".

- Reprezentacja niepewności: Teoria zbiorów rozmytych, Logika rozmyta, baza reguł rozmytych i rozmyte wnioskowanie. Przetwarzanie wiedzy niepewnej, rozmytej. Pojęcia zmiennej lingwistycznej. Budowa sterownika rozmytego. Budowa systemu wnioskowania rozmytego.

- Podstawy algorytmów genetycznych: ogólny schemat i składniki; reprodukcja i selekcja; rekombinacja – krzyżowanie (proste, arytmetyczne); mutacja (równomierna, brzegowa, nierównomierna – lokalne dostrajanie). Zagadnienia implementacyjne z zakresu zastosowań algorytmów genetycznych i ewolucyjnych (algorytm dla rozwiązywania zadania komiwojażera, zagadnienia plecakowe, w szeregowaniu zadań).

- Tworzenie systemów ekspertowych w środowisku zintegrowanego pakietu sztucznej inteligencji AITECH SPHINX. Opracowanie bazy wiedzy za pomocą szkieletowego systemu PC Shell 4.5.

- Przygotowanie zbiorów danych uczących dla modelowania i symulacji sztucznych sieci neuronowych w środowisku oprogramowania Statistica Neural Networks. Rozwiązywanie praktycznych zadań klasyfikacji, prognozowania i grupowania za pomocą sieci neuronowych, w tym wielowarstwowy perceptron, RBF oraz sieci neuronowej Kohonena.

- Tworzenie systemu rozmytego wnioskowania. za pomocą pakietu programowego Fuzzy Logic Toolbox for MATLAB. Opracowanie systemów doradczych opartych na logice rozmytej.

Literatura:

Literatura wykorzystywana podczas zajęć wykładowych

Osowski S. - Sieci neuronowe do przetwarzania informacji - Oficyna wydawnicz Politechniki Warszawskiej, Warszawa. - 2013

L. Rutkowski - Metody i techniki sztucznej inteligencji - Wydawnictwo naukowe PWN, Warszawa. - 2009

Mulawka J. - Systemy ekspertowe - WNT, Warszawa. - 1996

Kramer O. - Genetic Algorithm Essentials - Springer International Publishing AG. - 2017

Coppin J. - Artificial Intelligence Illuminated - Jones And Bartlett Publishers. - 2004

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

J. Arabas - Wykłady z algorytmów ewolucyjnych - Wydawnictwa Naukowo-Techniczne, Warszawa. - 2001

Rutkowska D., Piliński M., Rutkowski L. - Sieci neuronowe, algorytmy genetyczne i systemy rozmyte - PWN, Warszawa. - 1997

Soares F. M., Souza A. - Neural Network Programming With Java - Packt Publishing. - 2016

Lewis N.D. - Build Your Own Neural Network Today! - CreateSpace Independent Publishing Platform. - 2015

Literatura do samodzielnego studiowania

Cichosz P. - Systemy uczące się - WNT, Warszawa. - 2009

Goldberg D. - Algorytmy genetyczne i ich zastosowania - WNT, Warszawa. - 1997

M. Flasiński - Wstęp do sztucznej inteligencji - Wydawnictwo naukowe PWN, Warszawa. - 2011

Literatura uzupełniająca

J. Łęski - Systemy neuronowo-rozmyte - Wydawnictwo naukowo -techniczne WNT, Warszawa. - 2008

Publikacje naukowe

J. Jakieła; P. Litwin; M. Olech - Dynamic simulation based optimization of information flow in extended enterprise and its impact on business partners production efficiency and stock replenishment - . - 2016

J. Jakieła; P. Litwin; M. Olech - Modelowanie wirtualnych organizacji z wykorzystaniem paradygmatu agentowego - WYDAWNICTWA AGH. - 2016

Efekty uczenia się:

Student, który zaliczył moduł	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Sposoby weryfikacji każdego z wymienionych efektów kształcenia
Zna podstawowe metody reprezentacji wiedzy i potrafi je wykorzystać w celu utworzenia bazy wiedzy dla systemu ekspertowego	wykład, laboratorium	zaliczenie cz. pisemna, zaliczenie cz. praktyczna
Zna współczesne narzędzia sztucznej inteligencji, m.in. sztuczne sieci neuronowe, algorytmy genetyczne i potrafi je wykorzystać do rozwiązania złożonych zadań i problemów występujących w zarządzaniu i inżynierii produkcji	wykład, laboratorium	zaliczenie cz. pisemna, zaliczenie cz. praktyczna
Potrafi obsługiwać oprogramowanie, niezbędne do symulacji sztucznych sieci neuronowych (m.in. Statistica Neural networks, AITECH Neuronix)	laboratorium	zaliczenie cz. praktyczna
Potrafi opracować sterownik dowolnym urządzeniem technicznym oraz system wnioskowania rozmytego, opartych na logice rozmytej i teorii zbiorów rozmytych	wykład, laboratorium	zaliczenie cz. pisemna, zaliczenie cz. praktyczna
Potrafi wykorzystać algorytmy genetyczne do rozwiązywania zadań optymalizacyjnych i odsługiwać w tym celu niezbędne oprogramowanie, m.in. Genetic Algorithm Toolbox for Matlab	wykład	zaliczenie cz. pisemna
Potrafi opracować własną bazę wiedzy i reguły wnioskowania, w wyniku czego utworzyć własny system ekspertowy lub doradczy z wykorzystaniem szkieletowego systemu ekspertowego	laboratorium	zaliczenie cz. praktyczna

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Politechnika Rzeszowska im. Ignacego Łukasiewicza.