Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Sztuczna inteligencja i systemy ekspertowe

Informacje ogólne

Kod przedmiotu: 2401-K-MF-SISE
Kod Erasmus / ISCED: (brak danych) / (0228) Interdyscyplinarne programy i kwalifikacje związane z naukami humanistycznymi Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Sztuczna inteligencja i systemy ekspertowe
Jednostka: Katedra Kognitywistyki
Grupy: Kognitywistyka s1,s2 - zajęcia do wyboru
Punkty ECTS i inne: 2.00 LUB 3.00 (zmienne w czasie) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: polski
Wymagania wstępne:

Brak

Rodzaj przedmiotu:

kanon

Całkowity nakład pracy studenta:

Godziny realizwane z udziałem nauczyciela (godz.)

udział w wykładach 30

konslutacje w nauczycielem akademickim 1


Czas poświęcony na pracę indywidualną studenta ( godz.):

np.

- przygotowanie do wykładu- 3

- czytanie literatury- 6

- przygotowanie do egzaminu- 5


Łącznie: 45 godz. 3 ECTS)


Efekty uczenia się - wiedza:

W1: Zna zarys historii Sztucznej Inteligencji - K_W17

W2: Posiada szczegółowa znajomości teorii zbiorów przybliżonych - K_W17


W3: Posiada szczegółowa znajomości teorii zbiorów i systemów rozmytych - K_W17

Efekty uczenia się - umiejętności:

U1. Portafi konstruować modele baz danych za pomocą zbiorów przybliżonych - K_U13


U2 Portafi wyprowadzać reguły wnioskowania w modelach informacyjncyh - K_U13


U3. Portafi konstruować modele baz danych za pomocą zbiorów rozmytych - K_U13


U4. Portafi konstruować systemy wnioskujące za pomocą zbiorów rozmytych. - K_U13







Efekty uczenia się - kompetencje społeczne:

K1: Wyszukuje rozwiązań problemów związanych z systemami ekspertowymi i systemami rozmytymi oraz potrafi zastosować odpowiednie techniki Sztucznej Inteligencji do ich rozwiązania. K_K01, K_K02, K_K03

Metody dydaktyczne:

Wykład informacyjny (konwencjonalny)

Wykład problemowy

Wykład konwersatoryjny

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)
- wykład konwersatoryjny
- wykład problemowy

Skrócony opis:

Celem przedmiotu jest zapoznanie studentów z najważniejszymi metodami i technikami Sztucznej Inteligencji

Pełny opis:

Celem wykładu jest zapoznanie studenta z najważniejszymi technikami badawczymi Sztucznej Inteligencji.

1. Wprowadzenie: Rys historyczny, systemy ekspertowe, robotyka, przetwarzanie mowy i języka naturalnego, strategie wyszukiwania, inteligencja mrówek, sztuczne życie,

2. Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych: pojęcia podstawowe, aproksymacja zbioru, aproksymacja rodziny zbiorów, analiza tablic decyzyjnych, zastosowanie programu LERS

3. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 1: podstawowe pojęcia i definicje, operacje na zbiorach rozmytych, zasada rozszerzania, liczbty rozmyte, normy trójkątne i negacje,, relacje rozmyte i ich właściwości, przybliżone wnioskowanie, podstawowe reguły wnioskowania w logice dwuwartościowej, podstawowe reguły wnioskowania w logice rozmytej, reguły wioskowania dla modelu Mamdaniego, reguły wnioskowania dla modelyu logicznego, rozmyte systemy wnioskujące, baza reguł, blok rozmywania, blok wnioskowania, blok wyostrzania, zastosowania zbiorów rozmytych, rozmyta metoda Delphi, ważona rozmyta metoda Delphi, rozmyta metoda PERT, podejmowanie decyzji w otoczeniu rozmytym.

4 Metody reprezentacji wiedzy z wykorzystaniem zbioró rozmytych typu 2.

5. Sieci neuronowe, algorytmy ewolucyjne, metody grupowania danych, systemy neuronowo-rozmyte.

Literatura:

Leszek Rutkowski Metody i techniki Sztucznje Inteligencji

S. Russell, Peter Norvig Artificial Intelligence A modern Approach

Metody i kryteria oceniania:

zaliczenie na stopień w formie pisemnej w postaci szczegółowych zadań dotyczących Systewów Ekspertowych oraz metod Zbiorów i Systemów rozmytych.

Praktyki zawodowe:

nie

Zajęcia w cyklu "Semestr zimowy 2021/22" (zakończony)

Okres: 2021-10-01 - 2022-02-20
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin więcej informacji
Koordynatorzy: Jacek Malinowski
Prowadzący grup: Jacek Malinowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Skrócony opis:

Celem przedmiotu jest zapoznanie studentów z najważniejszymi metodami i technikami Sztucznej Inteligencji

Pełny opis:

Celem wykładu jest zapoznanie studenta z najważniejszymi technikami badawczymi Sztucznej Inteligencji.

1. Wprowadzenie: Rys historyczny, systemy ekspertowe, robotyka, przetwarzanie mowy i języka naturalnego, strategie wyszukiwania, inteligencja mrówek, sztuczne życie,

2. Metody reprezentacji wiedzy z wykorzystaniem zbiorów przybliżonych: pojęcia podstawowe, aproksymacja zbioru, aproksymacja rodziny zbiorów, analiza tablic decyzyjnych, zastosowanie programu LERS

3. Metody reprezentacji wiedzy z wykorzystaniem zbiorów rozmytych typu 1: podstawowe pojęcia i definicje, operacje na zbiorach rozmytych, zasada rozszerzania, liczbty rozmyte, normy trójkątne i negacje,, relacje rozmyte i ich właściwości, przybliżone wnioskowanie, podstawowe reguły wnioskowania w logice dwuwartościowej, podstawowe reguły wnioskowania w logice rozmytej, reguły wioskowania dla modelu Mamdaniego, reguły wnioskowania dla modelyu logicznego, rozmyte systemy wnioskujące, baza reguł, blok rozmywania, blok wnioskowania, blok wyostrzania, zastosowania zbiorów rozmytych, rozmyta metoda Delphi, ważona rozmyta metoda Delphi, rozmyta metoda PERT, podejmowanie decyzji w otoczeniu rozmytym.

4 Metody reprezentacji wiedzy z wykorzystaniem zbioró rozmytych typu 2.

5. Sieci neuronowe, algorytmy ewolucyjne, metody grupowania danych, systemy neuronjowo-rozmyte.

Literatura:

Leszek Rutkowski Metody i techniki Sztucznje Inteligencji

S. Russell, Peter Norvig Artificial Intelligence A modern Approach

Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)

Okres: 2023-02-20 - 2023-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin więcej informacji
Koordynatorzy: Przemysław Nowakowski
Prowadzący grup: Przemysław Nowakowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Skrócony opis:

Celem przedmiotu jest zapoznanie studentów z najważniejszymi metodami i technikami Sztucznej Inteligencji

Pełny opis:

Celem wykładu jest zapoznanie studenta z najważniejszymi technikami badawczymi Sztucznej Inteligencji. W wykładzie będziemy podążali głównie za wykładem tematu przedstawionym w książce Russella i Norviga (2023)

1. Wprowadzenie i informacje wstępne;

2. Czym jest sztuczna inteligencja?. Podstawy sztucznej inteligencji; Historia sztucznej inteligencji;

3. Inteligentni agencji (rodzaje i struktury);

4. Rozwiązywanie problemów i przez wyszukiwanie;

5. Wyszukiwanie w złożonych środowiskach;

6. Wyszukiwanie antagonistyczne (teoria gier);

7. Problem spełniania ograniczeń;

8. Logiczni agenci i wnioskowanie w logice pierwszego rzędu;

9. Reprezentacje wiedzy (ontologie);

10. Planowanie;

11. Kwantyfikowanie niepewności;

12. Rachunek prawdopodobieństwa i wnioskowania probabilistyczne A;

13. Rachunek prawdopodobieństwa i wnioskowania probabilistyczne B;

14. Nowe trendy w AI i wyzwanie etyczne związane z AI;

15. Zaliczenie i podsumowanie zajęć.

Literatura:

1. S. Russell, Peter Norvig Stuczna inteligencja. Nowe spojrzenie, Helion 2023 (tom I & II)

2. Rishal Hurbans, Algorytmy sztucznej inteligencji. Ilustrowany przewodnik, Helion, 2021

3. Eubanks, V. (2018). Automating inequality: How high-tech tools profile, police, and punish the poor. St. Martin's Press

Uwagi:

Kryteria zaliczenia:

Prezentacja dotycząca wybranego algorytmu AI.

Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)

Okres: 2024-02-20 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Wykład, 30 godzin więcej informacji
Koordynatorzy: Przemysław Nowakowski
Prowadzący grup: Przemysław Nowakowski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Zaliczenie na ocenę
Wykład - Zaliczenie na ocenę
Skrócony opis:

Celem przedmiotu jest zapoznanie studentów z najważniejszymi metodami i technikami Sztucznej Inteligencji

Pełny opis:

Celem wykładu jest zapoznanie studenta z najważniejszymi technikami badawczymi Sztucznej Inteligencji. W wykładzie będziemy podążali głównie za wykładem tematu przedstawionym w książce Russella i Norviga (2023)

1. Wprowadzenie i informacje wstępne;

2. Czym jest sztuczna inteligencja?. Podstawy sztucznej inteligencji; Historia sztucznej inteligencji;

3. Inteligentni agencji (rodzaje i struktury);

4. Rozwiązywanie problemów i przez wyszukiwanie;

5. Wyszukiwanie w złożonych środowiskach;

6. Wyszukiwanie antagonistyczne (teoria gier);

7. Problem spełniania ograniczeń;

8. Logiczni agenci i wnioskowanie w logice pierwszego rzędu;

9. Reprezentacje wiedzy (ontologie);

10. Planowanie;

11. Kwantyfikowanie niepewności;

12. Rachunek prawdopodobieństwa i wnioskowania probabilistyczne A;

13. Rachunek prawdopodobieństwa i wnioskowania probabilistyczne B;

14. Nowe trendy w AI i wyzwanie etyczne związane z AI;

15. Zaliczenie i podsumowanie zajęć.

Literatura:

1. S. Russell, Peter Norvig Stuczna inteligencja. Nowe spojrzenie, Helion 2023 (tom I & II)

2. Rishal Hurbans, Algorytmy sztucznej inteligencji. Ilustrowany przewodnik, Helion, 2021

3. Eubanks, V. (2018). Automating inequality: How high-tech tools profile, police, and punish the poor. St. Martin's Press

Uwagi:

Kryteria zaliczenia:

Prezentacja dotycząca wybranego algorytmu AI.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)