Sztuczna inteligencja
0800-SZIN
1. Wstęp do metod AI: kluczowe zagadnienia AI; status AI; piąta generacja komputerów i inne wielkie projekty.
2. Szukanie: reprezentacja problemu w przestrzeni stanów; reprezentacja redukcyjna; metody szukania; przykłady programów opartych na szukaniu; szukanie a ludzkie myślenie.
3. Reprezentacja wiedzy: rodzaje wiedzy; reprezentacja stanów; reprezentacja logiczna – logika predykatów, rozmyta, przybliżona; reprezentacja proceduralna; sieci semantyczne; systemy produkcyjne; ramki i skrypty.
4. Rozumienie języka naturalnego: tłumaczenie maszynowe; gramatyki; generacja tekstu; przykłady programów, duże modele językowe, transformery, architektura GPT, przegląd takich modeli.
5. Systemy doradcze: akwizycja wiedzy; konstrukcja systemów eksperckich; przykłady zastosowań.
6. Modele umysłu i najbardziej ambitne projekty AI: system CyC; zunifikowane teorie poznania, SOAR;
7. Informatyka kognitywna - IBM Watson, architektura poznawcza człowieka.
8. Uczenie maszynowe i odkrywanie wiedzy w danych.
Całkowity nakład pracy studenta
30 g wykład + 24 g lab + 60 g pracy własnej nad projektami, plus 30 godzin przygotowań do egzaminu
Efekty uczenia się - wiedza
Student po zakończeniu tych zajęć, pozytywnym zaliczeniu laboratorium i zdaniem egzaminu powinien:
* zdefiniować, opisać, wyliczyć zagadnienia wchodzące w zakres zainteresowań sztucznej inteligencji, jej podstawowych metod i pojęć (informatyka stosowana: K_W08);
* posiadać umiejętność oceny złożoności obliczeniowej różnych procesów szukania (informatyka stosowana: K_W04);
* znać podstawowe metody reprezentacji wiedzy i schematy wnioskowania (informatyka stosowana: K_W08);
* rozumieć problemy i metody używane do analizy języka naturalnego;
* znać zasady i rodzaje systemów ekspertowych i ich możliwe zastosowania;
* posiadać wiedzę na temat projektowania podstawowych algorytmów sztucznej inteligencji, narzędzi do tego służących oraz ich potencjalnych zastosowań w różnych dziedzinach (informatyka stosowana: K_W08).
Efekty uczenia się - umiejętności
Student po zakończeniu tych zajęć pozytywnym zaliczeniem laboratorium i zdaniem egzaminu powinien:
* znaleźć informacje na temat sztucznej inteligencji korzystając z z literatury, baz danych oraz innych źródeł, ocenić je, zinterpretować, wyciągać wnioski i formułować opinie (K_U04);
* potrafi wykorzystać teoretyczną wiedzę dotyczącą pojęć przydatnych do analizy i rozwiązania problemów stosując odpowiednie metody reprezentacji różnych form wiedzy w zależności od jej formy (K_U02);
* ocenić możliwości i wybrać odpowiednie sposób tworzenia modeli w postaci konstrukcji systemów ekspertowych w zależności od obszaru ich zastosowań (K_U01, K_U02);
* znaleźć odpowiednie narzędzia AI pomocne w rozwiązywaniu naukowych problemów (K_U04).
Efekty uczenia się - kompetencje społeczne
Student po zakończeniu tych zajęć, pozytywnym zaliczeniu laboratorium i zdaniu egzaminu powinien:
* wykazać się skutecznością w realizacji projektów o charakterze programistyczno-wdrożeniowym w oparciu o poznane metody (K_K03);
* potrafić przekazać informację o osiągnięciach informatyki i różnych aspektach zawodu informatyka w sposób powszechnie zrozumiały oraz śledzić postępy w tej szybko rozwijającej się dziedzinie (K_K04);
* rozumieć znaczenie zdobytej wiedzy i krytycznie ją oceniać, znając jej ograniczenia (K_K06).
Metody dydaktyczne
Wykład + laboratorium + demonstracje programów + projekty.
Metody dydaktyczne podające
- wykład problemowy
- wykład informacyjny (konwencjonalny)
Metody dydaktyczne poszukujące
- laboratoryjna
- projektu
Rodzaj przedmiotu
przedmiot obligatoryjny
Wymagania wstępne
Podstawowy kurs programowania
Koordynatorzy przedmiotu
Kryteria oceniania
Prace zaliczeniowe w ramach laboratorium.
Egzamin będzie w formie pisemnej, na końcu wielu wykładów są przykładowe pytania. Maksymalna liczba uzyskanych punktów =10), oceny:
Punkty 10 9 8 7 6 5 4.5 1-4
Oceny 5 4+ 4 4- 3+ 3 3- 2
Praktyki zawodowe
Literatura
S. Russell, P. Norvig, Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Helion 2023
Hadelin de Ponteves, Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego. Helion 2021
Jon Krohn, Grant Beyleveld, Aglaé Bassens, Uczenie głębokie i sztuczna inteligencja. Interaktywny przewodnik ilustrowany. Helion 2021
Kursy MOOC
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i
terminach zajęć) mogą być dostępne w serwisie USOSweb: