Detail předmětu

Algoritmy umělé inteligence

FSI-VAIAk. rok: 2018/2019

Kurz seznamuje se základními přístupy k algoritmům umělé inteligence a klasickými metodami používanými v této oblasti. Důraz je kladen na automatické dokazování formulí, reprezentaci znalostí a řešení úloh. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů.

Výsledky učení předmětu

Pochopení základních metod umělé inteligence a schopnost jejich implementace.

Prerekvizity

Předpokládá se znalost základních souvislostí z teorie grafů a objektově orientovaných technologií.

Doporučená nebo povinná literatura

Russel, S., Norvig, P.: Artificial Intelligence. A Modern Approach. Prentice Hall 2003. (EN)
Negnevitsky, M. Artificial Intelligence. A Guide to Intelligent Systems. Harlow, Addison-Wesley 2005. (EN)
Edward A. Bender: Mathematical Methods in Artificial Intelligence. IEEE Computer Society Press 1996. (EN)
Zbořil, F. a kol.: Umělá inteligence (skriptum VUT). (CS)
Russel, S., Norvig, P.: Artificial Intelligence. A Modern Approach. Prentice Hall 2009. (EN)
Mařík, V. a kol.: Umělá inteligence. Praha, Academia. (CS)
Luger, G.F. Artificial Intelligence. Structures and Strategies for Complex Problem Solving. Addison-Wesley 2008. (EN)
Poole, D.L., Mackworth, A.K. Artificial Intelligence: Foundations of Computational Agents. Cambridge University Press 2017. https://artint.info/2e/html/ArtInt2e.html (EN)
Mitchell, T. M. Machine Learning. Singapore, McGraw-Hill 1997. (EN)

Plánované vzdělávací činnosti a výukové metody

Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny. Cvičení je zaměřeno na praktické zvládnutí látky probrané na přednáškách.

Způsob a kritéria hodnocení

Požadavky pro udělení zápočtu: předložení funkčního softwarového projektu, který používá některou z probíraných implementací metod UI. Dále absolvování jednoho testu a splnění všech samostatných úkolů, které jsou průběžně zadávány. Celkem může student získat 40 bodů za cvičení (20 za projekt a 20 za test) a 60 bodů za zkoušku, celkem tedy max. 100 bodů. Hodnocení probíhá dle ECTS, tj. pro úspěšné absolvování musí student v každé části získat alespoň polovinu bodů (20 a 30).

Jazyk výuky

čeština

Cíl

Cílem kurzu je seznámit studenty se základním prostředky umělé inteligence, s možnostmi a přiměřeností jejich použití při řešení inženýrských úloh.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Účast na přednáškách je žádoucí, na cvičeních povinná. Výuka běží podle týdenních plánů. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.

Zařazení předmětu ve studijních plánech

  • Program M2A-P magisterský navazující

    obor M-MAI , 1. ročník, letní semestr, 4 kredity, povinně volitelný
    obor M-MET , 1. ročník, letní semestr, 5 kreditů, povinný

  • Program M2I-P magisterský navazující

    obor M-AIŘ , 1. ročník, letní semestr, 5 kreditů, povinný
    obor M-AIŘ , 1. ročník, letní semestr, 5 kreditů, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

1. Úvod, oblasti UI.
2. Neinformované prohledávání stavového prostoru.
3. Informované metody prohledávání.
4. Reprezentace znalostí pravidly, produkční systémy.
5. Evoluční metody prohledávání.
6. Řešení problémů rozkladem na podproblémy, metody prohledávání AND/OR grafu.
7. Metody hraní her.
8. Reprezentace znalostí formulemi predikátové logiky, rezoluční metoda.
9. Hornova logika a Prolog. Netradiční logiky.
10. Reprezentace znalostí sémantickými sítěmi, rámci, scénáři a objekty.
11. Strojové učení.
12. Inteligentní a reaktivní agenti.
13. Multiagentní systémy.

Cvičení s poč. podporou

26 hod., povinná

Vyučující / Lektor

Osnova

1. Neinformované metody prohledávání stavového prostoru – teoretický rozbor.
2. Neinformované metody prohledávání stavového prostoru – objektový návrh implementace řešení.
3. Informované metody prohledávání stavového prostoru - gradientní algoritmus, Dijkstrův algoritmus, algoritmus uspořádaného prohledávání, teoretický rozbor.
4. A-star algoritmus – teoretický rozbor, objektový návrh implementace řešení.
5. Řešení problémů pomocí genetických algoritmů.
6. Rozklad problému na podproblémy, AND/OR graf.
7. Objektový návrh a implementace AND/OR grafu.
8. Hraní her, minimax, alfa-beta prořezávání.
9. Formule predikátové logiky, rezoluční metoda.
10. Řešení problémů umělé inteligence pomocí Prologu.
11. Zápočtový test.
12. Řešení vybraného praktického problému pomocí UI.
13. Obhájení semestrálních prací.

eLearning