Artificial Intelligence 1
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
XE33UI1 | Z,ZK | 4 | 2+2s |
- Předmět je náhradou za:
- Artificial Intelligence 1 (E33UI1)
Umělá inteligence 1 (X33UI1) - Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra kybernetiky
- Anotace:
-
Přednáška poskytuje přehled hlavních metod symbolické umělé inteligence, t.j. metod silně využívajících logické reprezentace znalostí a automatického dokazování vět. Je vysvětlen vztah k deklarativnímu programování v jazyce Prolog, jehož výhody jsou demonstrovány na příkladech řešení některých úloh UI (problematika přirozeného úsudku). Metody strojového učení v prostředí s neurčitou informací. Závěrem je představeno induktivní logické programování jako perspektivní směr rozvoje strojového učení.
Podrobné aktualní 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. Reprezentace znalostí a logika 1. řádu, její výrazové a důkazové prostředky
2. Automatizace dokazování vět. Rezoluční procedura a její vlastnosti - otázka úplnosti, různé strategie, příklady
3. Systémy pro automatické dokazování, deklarativní a logické programování, jazyk Prolog
4. Shrnutí: logika z pohledu umělé inteligence, výhody a meze. Využití při formalizaci řešení úloh. Problematika složitosti
5. Přirozený úsudek, kvalitativní simulace a neurčitá informace
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.: algoritmy AQ, CN2, asociační pravidla
9. Posilované učení - motivace, metody: dynamické programování, Monte Carlo, TD učení, příklady
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. Přehled formalismů pro práci s neurčitostí: podmíněná pravděpodobnost a její vlastnosti, Dempster-Shafferova teorie, fuzzy logika, nemonotónní uvažování. Reprezentace znalostí Bayesovskými sítěmi
13. Nezávislost v Bayesovských sítích. Odhad struktury a parametru. EM algoritmus. Pravděpodobností modelování multirelačních dat
14. Výpočetní teorie učení
- Osnova cvičení:
-
1. Formulace slovní úlohy v jazyce logiky 1. rádu
2.-3. Řešení jednoduchých úloh pomocí resoluce
4.-5. Použití některého systému pro automatické dokazování (Prolog, CLP, ... )
6. Test
7. Využití existujících systému strojového 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 (1-4). Praha, Academia, 1993
[2] Russell, S., Norvig, P.: Artificial Intelligence, A Modern Approach, Prentice Hall Series in AI. New Jersey, Englewood Cliffs, 1995
- 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:
-
- Computer Science and Engineering (optional subject)