Umělá inteligence 1
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
X33UI1 | Z,ZK | 4 | 2+2s | česky |
- Předmět je náhradou za:
- Umělá inteligence 1 (33UI1)
- Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra kybernetiky
- Anotace:
-
Přednáška poskytuje přehled o hlavních metodách symbolické umělé inteligence. Soustředí se na způsoby práce se znalostmi: jejich reprezentaci, získávání, využívání i předávání a shrnuje problematiku komunikace v přirozeném jazyce. Vysvětluje principy reprezentace znalostí v logice 1. řádu s použitím automatického dokazování vět a ukazuje jejich vztah k deklarativnímu programování v jazyce Prolog. Představuje strojové učení jako nástroj pro získávání znalostí a vysvětluje principy induktivního logického programování - metody, která umožňuje pracovat s komplexními relačními daty a znalostmi. Podrobné aktuální informace a texty přednášek lze získat na serveru datel.felk.cvut.cz
- Požadavky:
-
V rámci cvičení má každý student vypracovat 2 samostatné úlohy, za každou z nich může získat až 10 bodů, pokud ji odevzdá včas. Bezchybně vypracovaná písemná část zkoušky odpovídá 40 bodům. Podmínkou pro úspěšné absolvování je získat nejméně 50% bodů jak na cvičení, tak při písemné zkoušce.
- Osnova přednášek:
-
1. Umělá inteligence - její cíle a prostředky. Úloha znalostí a způsob práce s nimi: jejich reprezentace, využívání a získávání Reprezentace znalostí a logika, její výrazové a důkazové prostředky
2. Možnosti a meze logiky 1. řádu jako formalizmu pro reprezentaci znalostí. Automatizace dokazování vět. Rezoluční procedura, její vlastnosti a strategie při řešení úloh, vztah k jazyku Prolog. Problematika složitosti.
3. Systémy UI a možnosti jejich komunikace v přirozeném jazyce. Jednotlivé fáze nutné pro zpracování či tvorbu textu. Od syntaxe k porozumění. Použití gramatik jako nástroje pro definici syntaxe jazyka.
4. Nástroje pro popis sémantiky přirozeného jazyka. Návrh a struktura modulu pro komunikaci v přirozeném jazyce. Problémy zpracování přirozeného jazyka v praktických úlohách.
5. Implicitní informace, přirozený úsudek a metody pro jeho realizaci, naivní fyzika, kvalitativní simulace.
6. Induktivní strojové učení - základní pojmy, učení jako prohledávání
7. Přehled symbolických metod induktivního strojového učení I.: algoritmus ID3, regresní stromy
8. Přehled symbolických metod induktivního strojového učení II.: asociační pravidla, algoritmy AQ, CN2
9. Podmínky pro nalezení skoro správné hypotézy. Výpočetní teorie strojového učení.
10. Induktivní logické programování (ILP) - základní myšlenka, apriorní znalosti a jejich využití v ILP
11. Principy ILP systému - vlastnosti souboru trénovacích příkladů. Možnosti použití ILP v praxi
12. Posilované učení - motivace, metody: dynamické programování, Monte Carlo, TD učení, příklady
13. Přehled formalismů pro práci s neurčitostí: podmíněná pravděpodobnost a její vlastnosti, Dempster-Shafferova teorie, fuzzy logika, nemonotónní uvažování. Reprezentace znalostí Bayesovskými sítěmi
14. Nezávislost v Bayesovských sítích. Odhad struktury a parametru. EM algoritmus. Pravděpodobností modelování multirelačních dat
- Osnova cvičení:
-
1.-2. Formulace slovní úlohy v jazyce logiky 1. rádu a řešení jednoduchých slovních úloh pomocí resoluce
3. Praktické použití gramatik v jazyce Prolog.
4. Syntaktická analýza anglických vět.
5.-6. Tvorba jednoduchého systému, který odpovídá na dotazy v přirozeném jazyce (Prolog)
7. Požití existujících nástrojů pro strojové učení: WEKA, atd
8. Příprava dat pro strojové učení. Systém SumatraTT
9. Samostatné řešení úlohy
10. Seznámení s existujícími ILP systémy, např. Progol
11. Samostatné řešení úlohy
12. Využití pozorování (bayesovská klasifikace). Bayesovy sítě ve fuzzy verzi systému FEL expert
13. Samostatné řešení úlohy
14. Závěrečné hodnocení
- Cíle studia:
- Studijní materiály:
-
Vybrané kapitoly z následujících publikací:
[1] Mařík, V., Štěpánková, O., Lažanský, J.: Umělá inteligence (1-5). Praha, Academia, 1993
[2] Russell, S., Norvig, P.: Artificial Intelligence, A Modern Approach, Prentice Hall Series in AI. New Jersey, Englewood Cliffs, 1995
[3] Tom M. Mitchell: Machine Learning, McGRAW HILL INT. EDITIONS 1997
[4] P. Berka: Dobývání znalostí z databází, Academia 2003
- Poznámka:
-
Rozsah výuky v kombinované formě studia: 14+4
Typ cvičení: s, c, p
Předmět je nabízen také v anglické verzi.
- Další informace:
- Pro tento předmět se rozvrh nepřipravuje
- Předmět je součástí následujících studijních plánů:
-
- Kybernetika a měření - umělá inteligence- strukturované studium (povinný předmět)