Artificial Intelligence
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
AE3M33UI | Z,ZK | 6 | 2P+2C | anglicky |
- Vztahy:
- Předmět AE3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3M33UI (vztah je symetrický)
- Předmět AE3M33UI může při kontrole studijních plánů nahradit předmět A3M33UI
- Předmět AE3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33UI (vztah je symetrický)
- Předmět AE3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3M33UI (vztah je symetrický)
- Předmět AE3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět B3M33UI (vztah je symetrický)
- Garant předmětu:
- Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra kybernetiky
- Anotace:
-
The course is aimed at providing theoretically deeper knowledge in the area of Artificial Intelligence in the extent needed to study the branch of study Robotics. It is organized around several topics: pattern recognition and machine learning, theory of multi-agent systems and artificial life. The linkage between the theoretical and practical applications is rather stressed.
Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/AE3M33UI
- Požadavky:
- Osnova přednášek:
-
1.Classification methods, Bayesian and non-Bayesian tasks
2.Adaboost, SVM classifiers
3.Graphical probabilistic and Markov models in machine learning
4.Theory of learning, problems of consistency, capacity, PAC
5.Learning of classification rules (AQ, CN2)
6.Sequential pattern recognition, Walds algorithm, extraction and synthesis of features, properties
7.Planning, representation of the planning problem, linear and non-linear planning
8.Methods of planning: TOPLAN, POPLAN, SATPLAN, GRAPHPLAN
9.Multi-agent systems: Reactive and deliberative agents, BDI architecture, reflection
10.Collective behavior of agents, distributed decision making, negotiation techniques, CNP, auction and voting techniques
11.Social knowledge, social behavior of agents, met-reasoning, coalition formation, team cooperation
12.Multi-agent planning and scheduling, industrial applications
13.Artificial life, principles, algorithms, applications
14.Applications
- Osnova cvičení:
-
1.Introduction, definition of the course project
2.Bayesian and non-Bayesian tasks
3.Adaboost and SVM classifiers demos of tasks
4.Markov models and machine learning I
5.Markov models and machine learning II
6.AQ and CN2 systems, experiments I
7.AQ and CN2 systems, experiments II
8.Planning tasks
9.Planning - practical exercise
10.Aglobe Systems and its features, demo
11.Demos of multi-agent systems (Agentfly, ProPlant, MAST)
12.Agentification of systems, semantic information
13.Artificial life demos
14.Delivery of course project
- Cíle studia:
- Studijní materiály:
-
1. Wooldridge, M.: An Introduction to Multi-Agent Systems, John Wiley & Sons, 2002
2. Nilsson N.J. & Nilsson, N.J.: Artificial Intelligence: A New Synthesis. Elsevier Science, 1998
- Poznámka:
-
Rozsah výuky v kombinované formě studia: 14p+6c
- Další informace:
- http://cw.felk.cvut.cz/doku.php/courses/ae3m33ui/start
- Pro tento předmět se rozvrh nepřipravuje
- Předmět je součástí následujících studijních plánů: