Sztuczna inteligencja

Podstawowe informacje

Przedmiot poświęcony jest podstawowym zagadnieniom sztucznej inteligencji.
Szczegółowe tematy obejmują reprezentację wiedzy i wnioskowanie, automatyczne planowanie, przeszukiwanie przestrzeni stanów w grach, systemy regułowe oraz uczenie maszynowe i sztuczne sieci neuronowe.

Prowadzący

dr inż. Artur Michalski
Wykłady i laboratoria
dr hab inż. Agnieszka Ławrynowicz
Wykłady (reprezentacja wiedzy i wnioskowanie, uczenie maszynowe) i laboratoria
dr inż. Jędrzej Potoniec
Laboratoria, gra i system zgłaszania graczy
mgr inż. Maksymilian Marcinowski
Laboratoria (uczenie maszynowe)

Harmonogram wykładów

Wykłady odbywają się w środy o 11:45-13:15 w sali CW 8

Data Temat Slajdy Uwagi
6.11.2019 Reprezentacja wiedzy wprowadzenie, sieci semantyczne, ramy (A. Ławrynowicz) slajdy notatki
27.11.2019 Kolokwium I

Harmonogram laboratoriów

Materiały do laboratoriów znajdują się na uczelnianej platformie eLearningowej PUT LMS Moodle.

  1. Informacje wstępne. Automatyczne planowanie.
  2. Automatyczne planowanie.
  3. Automatyczne planowanie.
  4. Automatyczne planowanie.
  5. Reprezentacja wiedzy, wnioskowanie, systemy regułowe.
  6. Reprezentacja wiedzy, wnioskowanie, systemy regułowe.
  7. Reprezentacja wiedzy, wnioskowanie, systemy regułowe.
  8. Reprezentacja wiedzy, wnioskowanie, systemy regułowe.
  9. Konsultacje projektu z gier.
  10. Uczenie maszynowe i sztuczne sieci neuronowe.
  11. Uczenie maszynowe i sztuczne sieci neuronowe.
  12. Uczenie maszynowe i sztuczne sieci neuronowe.
  13. Uczenie maszynowe i sztuczne sieci neuronowe.
  14. Oddanie projektu, rozliczenie zajęć.

Literatura

Podstawowa

  1. Stuart Russell and Peter Norvig. 2016. Artificial Intelligence: A Modern Approach (3rd ed.). Prentice Hall Press, Upper Saddle River, NJ, USA

Uzupełniająca

  1. Dana Nau, Malik Ghallab, and Paolo Traverso. 2004. Automated Planning: Theory & Practice. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA. (szczególnie ‘classical planning‘)
  2. Mauricio Salatino, Mariano De Maio, Esteban Aliverti. Mastering JBoss Drools 6 Paperback, Packt Publishing 2016
  3. Franz Baader, Diego Calvanese, Deborah L. McGuinness, Daniele Nardi, and Peter F. Patel-Schneider. 2010. The Description Logic Handbook: Theory, Implementation and Applications (2nd ed.). Cambridge University Press, New York, NY, USA. (rozdział 1 i 2, dostępne online)
  4. Aurélien Géron. Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Helion, 2018
  5. Ian Goodfellow and Yoshua Bengio and Aaron Courville. Deep Learning, MIT Press, http://www.deeplearningbook.org, 2016
  6. Francois Chollet. Deep Learning. Praca z językiem Python i biblioteką Keras. Helion, 2019

Popularnonaukowa

  1. Bostrom, Nick (2016). Superinteligencja. Scenariusze, strategie, zagrożenia. Helion.

Zasady oceniania

Wykład

Ocena na podstawie dwóch kolokwiów o równej wadze przeprowadzonych na wykładzie.

Laboratorium

Materiał nauczany na laboratorium jest podzielony na trzy moduły ćwiczeń laboratoryjnych oraz projekt, który przebiega równolegle do ćwiczeń w trakcie semestru.

Moduł Punkty
Automatyczne planowanie 20
Reprezentacja wiedzy, wnioskowanie, systemy eksperckie / regułowe 20
Uczenie maszynowe i sztuczne sieci neuronowe 20
Gra 40+do 10 punktów za turniej

W przypadku modułu Automatyczne Planowanie zaliczenie odbywa się na zajęciach poprzez rozwiązanie quizzu i zadania przy komputerze. Zadanie można wykonywać w zespołach dwuosobowych.
Zaliczenie modułów Reprezentacja wiedzy, wnioskowanie, systemy eksperckie / regułowe polega na wykonaniu ćwiczenia na laboratorium bądź też do dwóch tygodni po ostatnich zajęciach z danego modułu).
Moduł Uczenie maszynowe i sztuczne sieci neuronowe jest zaliczany na podstawie notebooków Jupytera w trakcie laboratoriów lub też do dwóch tygodni po ostatnich zajęciach z tego modułu.
Wykonanie projektu (Gra) jest obowiązkowe przynajmniej w podstawowej wersji aby zaliczyć laboratorium.
Punkty za turniej są przydzielane w następujący sposób: ostatni zgłoszony przez drużynę gracz bierze udział w turnieju w obrębie grupy laboratoryjnej (w systemie każdy-z-każdym). Za uzyskanie pierwszego miejsca każdy z członków drużyny otrzymuje po 10 punktów, drugiego – 7, a trzeciego – 5. Pozostałe drużyny nie otrzymują punktów za turniej. Po zakończeniu turnieju wewnątrzgrupowego punktowane drużyny wezmą udział w niezobowiązującym turnieju międzygrupowym.
Możliwe jest również uzyskanie dodatkowych punktów (0-5 pkt) z laboratorium za trwały wkład w rozwój przedmiotu.  Przykładowe działania obejmują poprawę błędów wykorzystywanego oprogramowania, opracowanie nowych, nietrywialnych zadań itp.  Przed przystąpieniem do pracy należy skonsultować się z prowadzącym laboratorium, który wstępnie oceni przydatność danego działania.

Skala ocen

Liczba punktów Ocena
[0;50] 2,0
(50;60] 3,0
(60;70] 3,5
(70;80] 4,0
(80;90] 4,5
(90;∞) 5,0