Znalostní systémy

Garant předmětu:

Marcel Jiřina

Přednášející:

Marcel Jiřina

Cvičící:

Ladislava Smítková Janků

Předmět zajišťuje:

katedra aplikované matematiky

Anotace:

Studenti se seznámí s tzv. systémy založenými na znalostech (knowledge-based systems), což jsou systémy, které využívají techniky umělé inteligence při řešení problémů, které vyžadují lidské rozhodování, učení a vyvozování závěrů a akce. Předmět seznamuje studenty s filozofií a architekturou znalostních systémů pro podporu rozhodování a plánování. Předmět předpokládá znalosti z teorie množin, základů teorie pravděpodobnosti, umělých neuronových sítí a evolučních algoritmů.

Požadavky:

Vstupní znalosti: Základní znalosti matematické logiky, pravděpodobnosti.a statistiky.

Osnova přednášek:

1. Úvod do znalostních systémů.

2. Architektura znalostního systému, reprezentace znalostí.

3. Inferenční mechanizmus, metody pro realizaci inferenčního mechanizmu.

4. Vyjadřování a zpracování neurčitosti.

5. Tvorba znalostního systému, ontologie, získávání znalostí.

6. Bayesovské sítě (příklad výpočtu).

7. Vícehodnotová logika, fuzzy logika, operace ve fuzzy logice.

8. Pravidlový inferenční fuzzy systém.

9. Reprezentace znalostí pomocí rozhodovacích stromů.

10. Neuronové sítě a jejich využití pro reprezentaci znalostí a inferenci pravidel.

11. Extrakce pravidel z rozhodovacích stromů.

12. Extrakce pravidel z neuronových sítí.

13. Využití pravidel v multiagentních systémech.

Osnova cvičení:

1. Úvodní cvičení, seznámení s pravidly hodnocení a s frameworkem pro úlohy.

2. Reprezentace znalostí. Zadání a práce na 1. úloze.

3. Odevzdání 1. úlohy.

4. Inferenční a vysvětlovací mechanizmus. Zadání a práce na 2. úloze.

5. Odevzdání 2. úlohy.

6. Neurčitost. Zadání a práce na 3. úloze.

7. Odevzdání 3. úlohy.

8. Fuzzy logika. Zadání a práce na 4. úloze.

9. Extrakce pravidel 1

10. Odevzdání 4. úlohy.

11. Neuronové sítě

12. Extrakce pravidel 2

13. Odevzdání závěrečné úlohy a udělení zápočtů.

Cíle studia:

Studijní materiály:

1. Rout J. K., Rout M., Das H. : Machine Learning for Intelligent Decision Science (Algorithms for Intelligent Systems). Springer, 2020. ISBN 978-981-15-3689-2.

2. Kendal S., Creen M. : An Introduction to Knowledge Engineering. Springer, 2006. ISBN 978-1846284755.

3. Brachman R., Levesque H. : Knowledge Representation and Reasoning. Morgan Kaufmann, 2004. ISBN 978-1558609327.

4. Akerkar R., Sajja P. : Knowledge-Based Systems. Jones & Bartlett Learning, 2009. ISBN 978-0763776473.

Poznámka:

Další informace:

https://courses.fit.cvut.cz/BI-ZNS/

Rozvrh na zimní semestr 2023/2024:

	06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po	místnost T9:303 Smítková Janků L. 09:15–10:45 (přednášková par. 1 paralelka 101) Dejvice NBFIT PC ucebnamístnost TH:A-1142 Smítková Janků L. 12:45–14:15 (přednášková par. 1 paralelka 102) Thákurova 7 (budova FSv) Apple labmístnost TH:A-1142 Smítková Janků L. 14:30–16:00 (přednášková par. 1 paralelka 103) Thákurova 7 (budova FSv) Apple lab
Út	místnost JP:B-671 Jiřina M. 09:15–10:45 (přednášková par. 1) Jugoslávských partyzánů 3
St
Čt
Pá

Rozvrh na letní semestr 2023/2024:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů:

• Bc. program, pro fázi studia bez specializace, 2021 (VO)
• Bc. specializace Umělá inteligence, 2021 (povinně volitelný předmět)