Artificial Intelligence 1

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)