Sztuczna inteligencja w grach
Informacje ogólne
Kod przedmiotu: | 0800-SZIGRA |
Kod Erasmus / ISCED: |
(brak danych)
/
(0688) Interdyscyplinarne programy i kwalifikacje obejmująe technologie informacyjno-komunikacyjne
|
Nazwa przedmiotu: | Sztuczna inteligencja w grach |
Jednostka: | Wydział Fizyki, Astronomii i Informatyki Stosowanej |
Grupy: | |
Strona przedmiotu: | http://www.is.umk.pl/~kg/zajecia/ |
Punkty ECTS i inne: |
3.00
|
Język prowadzenia: | polski |
Wymagania wstępne: | Podstawy programowania obiektowego. |
Całkowity nakład pracy studenta: | Godziny realizowane z udziałem nauczycieli (30 godz.): - udział w zajęciach – 30 godz. Czas poświęcony na pracę indywidualną studenta (60 godz.): - przygotowanie do laboratorium, pisanie prac, projektów oraz przygotowanie do kolokwium – 60 godz. Łącznie: 90 godz. (3 punkty ECTS) |
Efekty uczenia się - wiedza: | W01: posiada rozszerzoną wiedzę na temat istniejących zaawansowanych algorytmów wykorzystywanych w sztucznej inteligencji gier komputerowych, W02: posiada wiedzę w zakresie tworzenia własnych rozwiązań dopasowanych do potrzeb implementacji gier, W03: posiada wiedzę na temat sposobów analizy takich metod i ich optymalizacji. Efekty przedmiotowe W01-W03 realizują efekty kierunkowe K_W02, K_W05. |
Efekty uczenia się - umiejętności: | U01: umie korzystać z dokumentacji algorytmów i bibliotek zapisanych w języku polskim i angielskim oraz potrafi przygotować dokumentację opracowanych przez siebie metod, oraz ich komunikatywną prezentację, U02: potrafi wykorzystać znane algorytmy przy rozwiązywaniu problemów projektowania rozwiązań na użytek gier komputerowych, formułować i testować hipotezy związane z własnościami algorytmów, U03: posiada umiejętności opracowywania w zespole algorytmów odpowiednich do określonych potrzeb gier, potrafi dzielić się zadaniami z innymi dla osiągnięcia optymalnego celu, U04: potrafi krytycznie ocenić istniejące algorytmy i narzędzia programistyczne i diagnostyczne, potrafi dokonać ich wyboru do realizacji zadanych problemów, U05: potrafi wykorzystywać właściwe narzędzia programistyczne pozwalające na efektywną realizację projektów indywidualnych i grupowych, Efekty przedmiotowe U01-U05 realizują efekty kierunkowe K_U03, K_U04, K_U07, K_U08, K_U11. |
Metody dydaktyczne: | Prezentowane metody ilustrowane są licznymi przykładami. Materiały są udostępniane w formie elektronicznej. Problemy projektowe i implementacyjne są dyskutowane i rozwiązywane wspólnie w ramach spotkań i we współpracy zdalnej nad złożonymi projektami. Metody dydaktyczne podające: - wykład informacyjny (konwencjonalny) Metody dydaktyczne poszukujące: - klasyczna metoda problemowa - laboratoryjna - projektu |
Metody dydaktyczne eksponujące: | - pokaz |
Metody dydaktyczne podające: | - wykład informacyjny (konwencjonalny) |
Metody dydaktyczne poszukujące: | - klasyczna metoda problemowa |
Skrócony opis: |
Celem przedmiotu jest praktyczne zapoznanie się z różnymi metodami sztucznej inteligencji stosowanymi w programowaniu gier komputerowych. Przedstawiane są różne algorytmy, dyskutowane ich wady i zalety w kontekście zastosowania do konkretnych rozwiązań przy tworzeniu gier. |
Pełny opis: |
Program zajęć: 1. Metody szukania ◦ szukanie dróg, również optymalnych (best-first, A*, algorytmy grafowe) ◦ szukanie z adwersarzem (min-max, obcięcie alfa-beta, ...) 2. Proceduralne generowanie elementów światów gier, ◦ losowe kształtowanie terenu, szum Perlina, ◦ labirynty - tworzenie, szukanie dróg, ◦ automaty komórkowe, 3. Systemy decyzyjne (drzewa zachowań, systemy regułowe), 4. Automaty stanów skończonych, również rozmyte, łańcuchy Markowa, 5. Algorytmy inteligencji zbiorowej (genetyczne, rojowe), 6. Systemy rozmyte, 7. Systemy wieloagentowe. |
Literatura: |
Literatura podstawowa: 1. Krzysztof Grąbczewski, Slajdy do wykładu, http://www.is.umk.pl/~kg/zajecia/SIwG/SIwG.pdf. 2. Brian Schwab – AI game engine programming (2004, Charles River Media; drugie wydanie 2009, Course Technology/Cengage Learning) 3. Ian Millington, John Funge – Artificial intelligence for games, 2009, Elsevier, 4. Steve Rabin (edytor) – Game AI Pro (2014, CRC Press) & Game AI Pro 2 (2015, CRC Press) – http://www.gameaipro.com/, 5. Stuart Rusell, Peter Norvig, Artificial Intelligence. A Modern Approach., 2nd Edition 2003, 3rd Edition 2010, http://aima.cs.berkeley.edu/index.html, 6. Patrick H. Winston, Artificial Intelligence, 3rd Edition, Addison Wesley 1992. |
Metody i kryteria oceniania: |
Metody oceniania: - praca w ramach laboratorium - W01 – W02, - projekty i praca bieżąca w ramach laboratorium – U01 - U05, Kryteria oceniania: Zaliczenie na ocenę na podstawie wyników pracy nad projektami – ocena udziału każdego studenta we wspólnie tworzonych programach, ocena zaangażowania w projektowanie i programowanie rozwiązań. Każdy student ma do zrealizowania kilka zadań w ciągu semestru, spośród licznych szczegółowo rozpisanych zadań. |
Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)
Okres: | 2022-02-21 - 2022-09-30 |
Przejdź do planu
PN WT WYK
ŚR CZ PT |
Typ zajęć: |
Wykład, 30 godzin
|
|
Koordynatorzy: | Krzysztof Grąbczewski | |
Prowadzący grup: | Krzysztof Grąbczewski | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Egzamin
Wykład - Zaliczenie na ocenę |
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.