Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Podstawy sztucznej inteligencji
Tok studiów:
2019/2020
Kod:
IINF-1-705-n
Wydział:
Informatyki, Elektroniki i Telekomunikacji
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Informatyka
Semestr:
7
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma studiów:
Niestacjonarne
Strona www:
 
Prowadzący moduł:
prof. dr hab. inż. Dobrowolski Grzegorz (grzela@agh.edu.pl)
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
M_W001 Student zna i rozumie podstawowe pojęcia sztucznej inteligencji (AI) i inżynierii wiedzy. INF1A_W07 Kolokwium
M_W002 Student zapoznaje się z podstawowymi zagadnieniami sztucznej inteligencji zawartymi w programie. INF1A_W07 Kolokwium
M_W003 Student rozumie podstawowe narzędzia sztucznej inteligencji w oparciu o metody zawarte w programie. INF1A_W07 Kolokwium
Umiejętności: potrafi
M_U001 Student potrafi posługiwać się nowoczesnymi narzędziami opartymi na metodach sztucznej inteligencji zawartych w programie. INF1A_U08 Wynik testu zaliczeniowego
M_U002 Student potrafi rozwiązywać proste zadania modelowania za pomocą narzędzi AI zawartych w programie. INF1A_U08 Wykonanie ćwiczeń laboratoryjnych
Kompetencje społeczne: jest gotów do
M_K001 Student potrafi pracować w zespole. INF1A_U08 Wykonanie ćwiczeń laboratoryjnych
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
32 16 0 16 0 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
M_W001 Student zna i rozumie podstawowe pojęcia sztucznej inteligencji (AI) i inżynierii wiedzy. + - + - - - - - - - -
M_W002 Student zapoznaje się z podstawowymi zagadnieniami sztucznej inteligencji zawartymi w programie. + - - - - - - - - - -
M_W003 Student rozumie podstawowe narzędzia sztucznej inteligencji w oparciu o metody zawarte w programie. + - - - - - - - - - -
Umiejętności
M_U001 Student potrafi posługiwać się nowoczesnymi narzędziami opartymi na metodach sztucznej inteligencji zawartych w programie. + - - - - - - - - - -
M_U002 Student potrafi rozwiązywać proste zadania modelowania za pomocą narzędzi AI zawartych w programie. + - - - - - - - - - -
Kompetencje społeczne
M_K001 Student potrafi pracować w zespole. + - - - - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 127 godz
Punkty ECTS za moduł 5 ECTS
Udział w zajęciach dydaktycznych/praktyka 32 godz
Przygotowanie do zajęć 30 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 27 godz
Samodzielne studiowanie tematyki zajęć 31 godz
Egzamin lub kolokwium zaliczeniowe 2 godz
Dodatkowe godziny kontaktowe 5 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (16h):
  1. Podstawowe pojęcia

    Charakterystyka obszaru problemowego i pojęcia podstawowe. Pojęcie agenta i jego środowiska. Klasyfikacja metod SI. Modele reprezentacji wiedzy

  2. Reprezentacja wiedzy za pomocą języków logik

    Właściwości języków logik z punktu widzenia modelowania oraz wnioskowania jako istotnego elementu tych modeli. Panorama logik i języków.

  3. Język predykatów pierwszego rzędu

    Repertorium w aspekcie modelowania. Właściwości i ograniczenia dla procesu modelowania (siła wyrazu, właściwości rezonerów). Konsekwentny przykład konstrukcji modelu.

  4. Język rachunku sytuacji

    Repertorium w aspekcie modelowania. Właściwości i ograniczenia dla procesu modelowania (siła wyrazu). Konsekwentny przykład konstrukcji modelu.

  5. Narzędzia programistyczne oparte na języku predykatów pierwszego rzędu

    Forward- and backward-chaining. Programowanie logiczne (Prolog), teorem provers, systemy regułowe (JESS).

  6. Wprowadzenie do języka Prolog

    Leksyka, syntaktyka, semantyka. Przetwarzanie kodu źródłowego.

  7. Teoria zbiorów rozmytych i logika rozmyta

    Elementy teorii zbiorów, logika rozmyta. Rozumowanie rozmyte. Właściwości i ograniczenia dla procesu modelowania.

  8. Narzędzia oparte na języku logiki rozmytej

    Regulatory rozmyte. Rozmyte systemy regułowe – fuzyfikacja, obliczanie przesłanek i konkluzji, defuzyfikacja. System Mamdaniego.

  9. Wprowadzanie do algorytmów genetycznych

    Przykładowe metody kodowania operatory wariacyjne, selekcji, własności algorytmów ewolucyjnych jako metody optymalizacji globalnej.

  10. Wprowadzanie do sieci neuronowych

    Podstawowe struktury i algorytmy uczenia sieci neuronowych, własność generalizacji, niedouczenie i przeuczenie, popularne środowiska wspomagające tworzenie i uczenie sieci neuronowych.

  11. Podstawy automatycznego planowania

    Definicja. Podejście STRIPS. Plan częściowo i całkowicie uporządkowany. Grafy planowania – Graphplan. Planowanie HTN

  12. Podstawy teorii gier

    Sposoby reprezentacji gier. Użyteczność. Podstawowe pojęcia – strategia gracza, wektor wypłat, równowaga Nasha, optymalność Pareto. Dylemat więźnia. Targi.

Ćwiczenia laboratoryjne (16h):
  1. Programowanie w języku Prolog

    Programowanie w języku Prolog

  2. Budowanie systemów regułowych

    Budowanie systemów regułowych

  3. Projektowanie i implementacja sterowników rozmytych

    Projektowanie i implementacja sterowników rozmytych

  4. Optymalizacja przy użyciu metod ewolucyjnych

    Optymalizacja przy użyciu metod ewolucyjnych

  5. Wybrane algorytmy planowania

    Wybrane algorytmy planowania

  6. Budowa chat-botów przy użyciu języka AIML

    Budowa chat-botów przy użyciu języka AIML

  7. Sieci neuronowe

    Sieci neuronowe

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Ćwiczenia laboratoryjne: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Sposób obliczania oceny końcowej:

1. Aby uzyskać pozytywną ocenę końcową niezbędne jest uzyskanie pozytywnej oceny z ćwiczeń laboratoryjnych oraz kolokwium.
2. Obliczona zostaje średnia arytmetyczna (sr) z ocen zaliczenia i kolokwium uzyskanych we wszystkich terminach.
3. Wyznaczona zostaje ocena końcowa (OK) na podstawie zależności:
if sr>4.5 then OK:=5.0 else
if sr>4.0 then OK:=4.5 else
if sr>3.5 then OK:=4.0 else
if sr>3.0 then OK:=3.5 else OK:=3.0

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :

Znajomość: logiki (w zakresie odpowiadającym), podstaw algorytmiki

Zalecana literatura i pomoce naukowe:

S. J. Russell and P. Norvig: Artificial Intelligence: A Modern Approach. Third Edition, Pearson, 2010
W. Ertel: Introduction to Artificial Intelligence (Undergraduate Topics in Computer Science), Springer 2009
L. Rutkowski: Metody i techniki sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa 2009
T. Munakata. Fundamentals of the New Artificial Intelligence. Springer, 2008.
N. J. Nilsson: Artificial Intelligence: A New Synthesis, Morgan Kaufmann Publishers, 1998

Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Systemy agentowe w ujęciu pragmatycznym — [Multi-agent systems from pragmatic point of view] / Grzegorz DOBROWOLSKI. — Kraków : Wydawnictwa AGH, 2016. — 254, 1 s.. — (Wydawnictwa Naukowe / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie).

Agent-based identification for computer-supported criminal analysis / Grzegorz DOBROWOLSKI, Jacek DAJDA, Marek KISIEL-DOROHINICKI, Edward NAWARECKI // W: MCSS 2010 : Multimedia Communications, Services and Security : IEEE International Conference : Kraków, 6–7 May 2010 : proceedings / eds. Jacek Dańda, Jan Derkacz, Andrzej Głowacz. — [Polska : s. n.], 2010.

Budowa ontologicznej reprezentacji wiedzy na przykładzie wad odlewów — Building ontological representation of knowledge about casting defects / Stanisława KLUSKA-NAWARECKA, Edward NAWARECKI, Andrzej Hładki, Grzegorz DOBROWOLSKI // W: KomPlasTech 2008 : informatyka w technologii metali : materiały XV konferencji : Korbielów, 6–9 stycznia 2008 / eds. F. Grosman, M. Hyrcza-Michalska. — Kraków : Wydawnictwo Naukowe Akapit, 2008.

Grounding of human observations as uncertain knowledge / Kamil SZYMAŃSKI, Grzegorz DOBROWOLSKI // W: Computational Science – ICCS 2008 : 8th International Conference : Kraków, Poland, June 23–25, 2008 : proceedings, Pt. 3 / eds. Marian Bubak, Geert Dick van Albada, Jack Dongarra, Peter M. A. Sloot. — Berlin ; Heidelberg : Springer-Verlag, cop. 2008.

Informacja – wiedza – inteligencja w systemach bezpieczeństwa publicznego — Information – knowledge – intelligence in public security systems / Edward NAWARECKI, Grzegorz DOBROWOLSKI // W: Praktyczne elementy zwalczania przestępczości zorganizowanej i terroryzmu : nowoczesne technologie i praca operacyjna / red. Lech Paprzycki, Zbigniew Rau. — Warszawa : Oficyna a Wolters Kluwer Polska Sp. z o. o., cop. 2009.

Informacje dodatkowe:

Brak