Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

Sztuczna inteligencja i systemy doradcze

Informacje ogólne

Kod przedmiotu: 1000-2N00SID
Kod Erasmus / ISCED: 11.402 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0613) Tworzenie i analiza oprogramowania i aplikacji Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Sztuczna inteligencja i systemy doradcze
Jednostka: Wydział Matematyki, Informatyki i Mechaniki
Grupy: Przedmioty kierunkowe na studiach drugiego stopnia na kierunku bioinformatyka
Przedmioty obieralne dla II-III roku bioinformatyki
Przedmioty obieralne dla informatyki
Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne: 6.00 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
Kierunek podstawowy MISMaP:

informatyka
matematyka

Rodzaj przedmiotu:

fakultatywne
monograficzne
nieobowiązkowe

Wymagania (lista przedmiotów):

Algorytmy i struktury danych 1000-213bASD
Analiza matematyczna inf. II 1000-212bAM2

Założenia (opisowo):

Podczas zajęć nieodzowne będą podstawy matematyki dyskretnej i analizy matematycznej, podstawy wiedzy o algorytmach i strukturach danych, podstawy złożoności obliczeniowej, a także wiedza o programowaniu jako o narzędziu służącym do rozwiązywania złożonych problemów. Przydatne - przy czym nie jest to wymagane - mogą się też okazać podstawy i zainteresowania w dziedzinie optymalizacji, statystyki, analizy danych i uczenia maszynowego.

Tryb prowadzenia:

mieszany: w sali i zdalnie
w sali
zdalnie

Skrócony opis:

Przedmiot ma na celu zaznajomienie studentów z inteligentnymi technikami stosowanymi do rozwiązywania problemów, które są trudne lub niepraktyczne przy zastosowaniu typowych metod programistycznych. Zajęcia przedstawiają w związku z tym między innymi metody heurystyczne, aproksymacyjne, randomizowane, bazujące na wnioskowaniu dedukcyjnym i indukcyjnym, często modelowanym poprzez analogię do tego, w jaki sposób problemy rozwiązują ludzie. Główne tematy obejmują także inteligentne metody przeszukiwania dużych przestrzeniach stanów i rozwiązań, inteligentne strategie w grach, wnioskowanie w logice i logiczne podstawy planowania, podstawy uczenia maszynowego powiązane ze sztuczną inteligencja, podstawy modelowania niepewności, jak również różne zastosowania specjalistyczne.

Pełny opis:

1. Inteligentne poszukiwanie rozwiązań w przestrzeni stanów (heurystyki zachłanne, algorytm A* etc.) oraz metody iteracyjnego poprawiania działające na przestrzeni rozwiązań (symulowane wyżarzanie, strategie ewolucyjne etc.), ze szczególnym uwzględnieniem problemów optymalizacyjnych z więzami.

2. Strategie w grach dwuosobowych, algorytm minimax, odcięcia alfa-beta, algorytm MCTS (Monte Carlo Tree Search), gry z ograniczoną informacją, dyskusja na temat tego, jak powyższe strategie można implementować w komputerowych realizacjach gier i czy gry to jedyne zastosowania tych metod.

3. Logiczna reprezentacja problemu i wiedzy z nim związanej, rachunek zdań, badanie spełnialności, logika I rzędu, metoda rezolucji, algorytmy forward- i backward-chaining w bazach wiedzy (z uwzględnieniem metod heurystycznych w realizacjach algorytmu backward-chaining), zastosowania logiki w planowaniu (w tym również sprowadzanie zadań planowania do problemu spełnialności), komunikacji w systemach wielo-agentowych, a także w systemach doradczych.

4. Związki uczenia maszynowego z uczeniem indukcyjnym, metody symboliczne (np. wyznaczanie reguł i drzew decyzyjnych z danych) oraz analityczne (np. sztuczne sieci neuronowe), uczenie bez nauczyciela (w tym przykłady związane z analizą skupień i mapami samo-organizującymi się), z nauczycielem i ze wzmocnieniem, zadania uczenia maszynowego jako problemy optymalizacyjne (np. znajdowanie minimalnych drzew decyzyjnych przy użyciu heurystyk oraz uczenie się sztucznych sieci neuronowych technikami iteracyjnego poprawiania rozwiązań, takimi jak propagacja wsteczna błędu i metody ewolucyjne). Także dyskusja o tym, że dziedziny uczenia maszynowego i sztucznej inteligencji nie są ze sobą tożsame, choć wiele mogą od siebie skorzystać (np. w grach etc.).

5. Wybrane podejścia do modelowania niepewności, w tym podstawy modeli probabilistycznych (np. model Naive Bayes, podstawy sieci Bayesowskich, przykłady użycia prawdopodobieństw i entropii w uczeniu maszynowym bazującym na nowoczesnych rozszerzeniach sztucznych sieci neuronowych), teoria i zastosowania logiki rozmytej (np. zastosowania w robotyce) z uwzględnieniem heurystyk do wyznaczania modeli rozmytych z danych, teoria i zastosowania zbiorów przybliżonych (np. zastosowania w analizie danych), wybrane elementy logik wielowartościowych, modalnych, temporalnych.

6. Otwarta dyskusja o obecnych trendach rozwoju i zastosowań sztucznej inteligencji w różnych dziedzinach praktycznych, z uwzględnieniem aspektów współpracy i interakcji pomiędzy ludźmi i systemami inteligentnymi.

Literatura:

1. Mariusz Flasiński: Wstęp do Sztucznej Inteligencji (PWN 2011)

2. Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach

3. George Luger: AI: Structures and Strategies for Complex Problem Solving

4. Tom Mitchell: Machine Learning

Efekty uczenia się:

Celem zajęć jest przedstawienie podstaw oraz zastosowań wybranych metod sztucznej inteligencji i systemów doradczych. Student powinien nabyć umiejętność rozwiązywania złożonych problemów obliczeniowych przy użyciu omawianych metod (K_W01, K_W03, K_W04, K_W05, K_W06, K_W09). Powinien posiąść wiedzę, na ile omawiane metody mogą być przydatne w projektach, w których bierze udział, a także w potencjalnych przyszłych projektach związanych z jego zainteresowaniami (K_U01, K_U03, K_U08, K_U09, K_U35 K_U38). W zakresie kompetencji społecznych student powinien być w stanie uważnie słuchać innych ludzi a także brać udział w dyskusji (K_K01, K_K07). Szczegółowe efekty uczenia się sprowadzają się do wiedzy oraz umiejętności rozwiązywania zadań związanych z sześcioma głównymi zakresami w opisie przedmiotu.

Metody i kryteria oceniania:

Na pomyślne zaliczenie przedmiotu składają się ćwiczenia (zaliczenie) oraz egzamin (ocena). Zaliczenie ćwiczeń jest warunkiem koniecznym i dostatecznym dla przystąpienia do egzaminu. Zaliczenie ćwiczeń jest czysto zero-jedynkowe, nie wiąże się ono z żadną dodatkową punktacją, która mogłaby dodatkowo wpłynąć na ostateczną ocenę z przedmiotu.

Istotnymi warunkami dla zaliczenia ćwiczeń jest regularna obecność na ćwiczeniach oraz zaliczenie (zero-jedynkowe) kolokwium, na którym studenci rozwiązują zadania na zastosowanie metod sztucznej inteligencji. Warunkiem dodatkowym lub alternatywnym może być rozwiązywanie prac domowych. Dalsze szczegóły ustalają osoby prowadzące poszczególne grupy ćwiczeniowe.

Uczęszczanie na wykład nie jest obowiązkowe, lecz wskazane dla pełnego zrozumienia materiału. Egzamin ma formę pisemną. Jest złożony z zadań na zastosowanie metod sztucznej inteligencji. Na egzaminie można korzystać z materiałów własnych, ale zadania trzeba rozwiązywać indywidualnie. W terminie poprawkowym egzamin może przyjąć postać egzaminu ustnego.

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres: 2024-02-19 - 2024-06-16
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Dominik Ślęzak
Prowadzący grup: Ewa Madalińska-Bugaj, Anh Linh Nguyen, Dominik Ślęzak
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin

Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)

Okres: 2025-02-17 - 2025-06-08

Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Ćwiczenia, 30 godzin więcej informacji
Wykład, 30 godzin więcej informacji
Koordynatorzy: Dominik Ślęzak
Prowadzący grup: Ewa Madalińska-Bugaj, Anh Linh Nguyen, Dominik Ślęzak
Lista studentów: (nie masz dostępu)
Zaliczenie: Egzamin
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0-319af3e59 (2024-10-23)