Podstawy sztucznej inteligencji - Zakład Informatyki

POLITECHNIKA RZESZOWSKA im. I. Łukasiewicza
WYDZIAŁ
Budowy Maszyn i Lotnictwa
KIERUNEK
Zarządzanie i Inżynieria Produkcji
SPECJALNOŚĆ
FORMA I STOPIEŃ STUDIÓW
Stacjonarne I stopnia
KARTA PRZEDMIOTU
NAZWA PRZEDMIOTU
PODSTAWY SZTUCZNEJ INTELIGENCJI
Nauczyciel odpowiedzialny za przedmiot: Galina Setlak dr hab. inż., prof. nadz. PRz.
Kontakt dla studentów: tel. 86-51-433,
e-mail: [email protected]
Nauczyciel/e prowadzący: Galina Setlak, mgr inż. Marcin Olech
Katedra/Zakład/Studium: Zakład Informatyki
Semestr
całkowita
liczba
godzin
W
5
30
15
C
L
P (S)
15
ECTS
3
PRZEDMIOTY POPRZEDZAJĄCE WRAZ Z WYMAGANIAMI
Technologie informacyjne, Informatyka, Bazy danych
TREŚCI KSZTAŁCENIA WG PROWADZONYCH RODZAJÓW ZAJĘĆ
Wykład:
1. Istota i charakterystyka sztucznej inteligencji jako dziedziny naukowej. Inteligencja
naturalna i sztuczna, zakres badań nad sztuczną inteligencją. Pozyskiwanie wiedzy. Metody
wnioskowania. Wnioskowanie - sformułowanie zadania, składnia i semantyka języka logiki,
budowa systemu automatycznego wnioskowania. Wnioskowanie jako zadanie
przeszukiwania przestrzeni, strategie przeszukiwania w głąb i wszerz. Systemy ekspertowe:
architektura, rodzaje, zasady i metody ich konstrukcji. Szkieletowe systemy ekspertowe.
Doradcze systemy oparte o bazę wiedzy.
2. Podstawy sieci neuronowych. Biologiczne podstawy neurokomputingu, podstawowy model
neuronu i sieci neuronowej. Podstawowe reguły uczenia sieci neuronowych (z nauczycielem
– reguła delta i bez nauczyciela – reguła Hebba), pojęcie funkcji błędu, problem
generalizacji, rola zbioru trenującego i testowego.
3. Podstawowy algorytm uczenia sieci neuronowej – metoda wstecznej propagacji błędów:
budowa i działanie jednokierunkowych sieci neuronowych, rodzaje algorytmów propagacji
wstecznej.
4. Samoorganizujące się sieci neuronowe: podstawowy algorytm Self Organizing Map, funkcja
sąsiedztwa, praktyczne aspekty obliczeń przy pomocy SOM. Sieci neuronowe ze
sprzężeniem zwrotnym: sieci Hopfielda i Hamminga Praktyczne zastosowania sieci
neuronowych do rozwiązywania zadań: klasyfikacji, klasteryzacji, prognozowania,
LICZBA
GODZIN
2h
2h
2h
2h
przetwarzania i rozpoznawanie obrazów, w automatyce.
Reprezentacja niepewności: Teoria zbiorów rozmytych, Logika rozmyta, baza reguł
4h
rozmytych i rozmyte wnioskowanie. Przetwarzanie wiedzy niepewnej, rozmytej.
6. Podstawy algorytmów genetycznych: ogólny schemat i składniki; reprodukcja i selekcja;
rekombinacja – krzyżowanie (proste, arytmetyczne); mutacja (równomierna, brzegowa,
3h
nierównomierna – lokalne dostrajanie). Zagadnienia implementacyjne z zakresu zastosowań
algorytmów genetycznych i ewolucyjnych (algorytm dla rozwiązywania zadania
komiwojażera, zagadnienia plecakowe, w szeregowaniu zadań).
Razem
15
Ćwiczenia:
4
1. Podstawy pracy w zintegrowanym pakiecie sztucznej inteligencji AITECH SPHINX.
Szkieletowy system ekspertowy PC Shell 4.0. Tworzenie bazy wiedzy w PC Shell 4.0.
2. Sztuczne sieci neuronowe, symulacja jednokierunkowych wielowarstwowych sieci
2
neuronowych i sieci RBF za pomocą Statistica Neural Networks.
3. Samoorganizujące się sieci neuronowe Kohonena. Rozpoznawanie obrazów z
2
wykorzystaniem sieci neuronowe.
4. Podstawy teorii zbiorów rozmytych i logiki rozmytej. Tworzenie systemów rozmytego
3
wnioskowania za pomoca Fuzzy Logic Tollbox.
5. Zastosowania algorytmów genetycznych i ewolucyjnych do rozwiązywania zadania
2
komiwojażera, zagadnienia plecakowe oraz w szeregowaniu zadań.
2
6. Kolokwium zaliczeniowy
Ogółem liczba godzin 15 godzin
5.
Dyżury dydaktyczne (konsultacje): w terminach podanych w harmonogramie pracy jednostki
EFEKTY KSZTAŁCENIA – NABYTE UMIEJĘTNOŚCI
W wyniku realizacji przedmiotu studenci zapoznają się z podstawowymi metodami i narzędziami sztucznej
inteligencji do rozwiązywania złożonych zadań i problemów niestrukturalizowanych.
Zapoznają się również z architekturami sztucznych sieci neuronowych, metodami ich uczenia oraz
przykładowymi zastosowaniami. Nabędą umiejętności z zakresu teorii zbiorów rozmytych i logiki rozmytej
oraz jej zastosowań. Ponadto poznają ideę algorytmów genetycznych i ewolucyjnych oraz ich zastosowań.
Nabędą umiejętności obsługi istniejące narzędzia programistyczne, w tym szkieletowe systemy ekspertowe,
pozwalające na tworzenie systemów ekspertowych, Statistica Neural Networks oraz Fuzzy Logic Toolbox for
Matlab.
FORMA I WARUNKI ZALICZENIA PRZEDMIOTU (RODZAJU ZAJĘĆ)
Laboratoria: ustne zaliczenie projektu przy komputerze, przeprowadzonego przez prowadzących zajęcia
laboratoryjne. Zaliczenie wykładu: pisemne kolokwium.
Zaliczenie przedmiotu: Ocena średnia z zaliczenia laboratorium i kolokwium na wykładzie.
WYKAZ LITERATURY PODSTAWOWEJ
1.
2.
3.
4.
5.
Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R., Sieci neuronowe, Exit, Warszawa, 2000
Tadeusiewicz R.: Sieci neuronowe, PWN, Warszawa 1995. (pozycja dostępna w wersji elektronicznej
na stronie Biblioteki Głównej AGH w Krakowie:
http://winntbg.bg.agh.edu.pl/skrypty/0001/main.html)
Mulawka J., Systemy ekspertowe, WNT, Warszawa, 1996
Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa, 1996
J. Arabas, Wykłady z algorytmów ewolucyjnych, Wydawnictwa Naukowo-Techniczne, Warszawa
2001.
WYKAZ LITERATURY UZUPEŁNIAJĄCEJ
1.
2.
3.
Cichosz P.: Systemy uczące się, WNT, Warszawa, 2000
Goldberg D. Algorytmy genetyczne i ich zastosowania, WNT, Warszawa, 1995
Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte,
PWN, Warszawa, 1997
Podpis nauczyciela odpowiedzialnego
za przedmiot
Podpis
kierownika
(zakładu/studium)
katedry
Data i podpis dziekana właściwego
wydziału