Umělá inteligence 1

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)