Sztuczna inteligencja

obowiązkowe

Zakłada się, że student ma wiedzę na poziomie studiów pierwszego stopnia w następujących dziedzinach:

- Podstawy logiki i teorii mnogości

- Algorytmy i struktury danych

- Analiza matematyczna, matematyka dyskretna

- Algebra liniowa z geometrią analityczną

- Programowanie (student powinien bez trudu czytać i tworzyć kod w jednym z zaawansowanych języków programowania, np. C++, Java, Phyton oraz mieć orientację w bibliotekach/repozytoriach oprogramowania).

mieszany: w sali i zdalnie

Celem przedmiotu jest przekazanie studentowi podstawowej wiedzy w zakresie sztucznej inteligencji oraz wyrobienie umiejętności m.in. dotyczących: opisania wyrażonego w języku naturalnym problemu w terminach przestrzeni stanu; dobierania algorytmu do rozwiązania zadanego problemu; zastosowania wybranych technik uczenia maszynowego (regresji i klasyfikacji). W ramach przedmiotu znajduje się rozdział dotyczący metod reprezentacji wiedzy. Zajęcia obejmują prezentacje i dyskusje wybranych zastosowań sztucznej inteligencji oraz kwestie etyczne i społeczne. Zajęcia praktyczne pozwolą studentom na nabranie umiejętności posługiwania się wybranymi metodami i algorytmami sztucznej inteligencji.

Celem kursu jest zrozumienie historii, rozwoju i stanu obecnego sztucznej inteligencji, zidentyfikowanie głównych składników systemów sztucznej inteligencji, w tym wybranych metod reprezentacji wiedzy, wnioskowania i uczenia się, analiza zalet i wad różnych podejść i zastosowań sztucznej inteligencji oraz zbadanie etycznych i społecznych kwestii związanych z jej rozwojem i wykorzystaniem. Studenci m.in. nauczą się opisywania problemu wyrażonego w języku naturalnym w terminach przestrzeni stanów, stanu początkowego i docelowego; dobierania algorytmu przeszukiwania przestrzeni z uwzględnieniem specyfiki problemu; implementacji przeszukiwania stanów typu mini-max; algorytmów wyznaczania najkrótszych ścieżek w grafach; wybranych metod uczenia maszynowego (regresja liniowa, klasyfikacja); wybranych elementów przetwarzania języka naturalnego oraz podstaw sztucznych sieci neuronowych. Przedmiot obejmuje wykład, laboratorium i projekt. Na wykładzie studenci zapoznają się z problemami, metodami i algorytmami sztucznej inteligencji oraz jej zastosowaniami. Zajęcia laboratoryjne obejmują implementację i przykładowe zastosowania algorytmów (np. algorytmu klasyfikacji naiwnego klasyfikatora Bayesa, algorytmu ID3 indukowania drzewa decyzyjnego), zaś zajęcia projektowe dotyczą indywidualnej, ewentualnie w 2 – 3 osobowej grupie, realizacji projektu wykorzystującego omawiane na wykładzie metody i algorytmy (np. analiza sentymentu, klasyfikacja emocji, rozpoznawanie obrazów).

Wymagania wstępne:

Zakłada się, że student ma wiedzę na poziomie studiów pierwszego stopnia w następujących dziedzinach:

- Podstawy logiki i teorii mnogości

- Algorytmy i struktury danych

- Analiza matematyczna, matematyka dyskretna

- Algebra liniowa z geometrią analityczną

- Programowanie (student powinien bez trudu czytać i tworzyć kod w jednym z zaawansowanych języków programowania, np. C++, Java, Phyton oraz mieć orientację w bibliotekach/repozytoriach oprogramowania).

Liczba godzin wykładu: 30 godzin

Liczba godzin laboratorium: 15 godzin

Liczba godzin na projekt: 15 godzin

Profil studiów: praktyczny.

Forma studiów: stacjonarne

Rodzaj przedmiotu: Obowiązkowy

Dziedzina: Nauki ścisłe i przyrodnicze

Dyscyplina: Informatyka techniczna i telekomunikacja

Rok studiów: 2 rok/4 sem.

Metody dydaktyczne: Wykład metodą tradycyjną z wykorzystaniem tablicy i autorskich prezentacji multimedialnych oraz angażowanie studentów do aktywnego udziału w dyskusji podczas wykładu i zajęć praktycznych i zadawania pytań.

Punkty ECTS: 5

Bilans nakładu pracy studenta:

Liczba godzin wykładu: 30 godzin

Liczba godzin laboratorium: 15 godzin

Liczba godzin na projekt: 15 godzin

Czas trwania egzaminu: 1 godziny

Przygotowanie się studenta do wykładu: 5 godzin

Praca studenta nad projektem: 30 godzin

Przygotowanie się studenta do laboratorium: 10 godzin

Opracowanie teoretycznych zagadnień przez studenta do laboratorium i projektu - 19 godz.

(i) związany z zajęciami wymagającymi bezpośredniego nakładu nauczyciela i studenta - 61 godzin (2,44 ECTS):

(ii) związany z zajęciami o charakterze praktycznym -- 70 godzin (2,8 ECTS).

1. Duch W.: Sztuczna inteligencja i systemy ekspertowe.

https://www.fizyka.umk.pl/~duch/Wyklady/AI_plan.html

2. Frankhis K, Ramsey W. M.. “The Cambridge Handbook of Artificial Intelligence”. 2014 (https://www.cambridge.org/core/books/cambridge-handbook-of-artificial-intelligence/3DCB2E04739722A99EDE86B7A34A30E3)

3. Mulawka J.: Systemy ekspertowe. WNT, Warszawa, 1996.

4. Muraszkiewicz M., Nowak R. (edytorzy): Sztuczna inteligencja dla inżynierów. Metody ogólne. Wydawnictwo Politechniki Warszawskiej, Warszawa 2022.

5. Russel S., Norvig P.: Artificial Intelligence. A Modern Approach. Simon & Schuster Company. Englewood Cliffs (https://www.cin.ufpe.br/~tfl2/artificial-intelligence-modern-approach.9780131038059.25368.pdf)

6. Rutkowski L.: Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa. PWN, 2005.

7. Turing A. M.: Maszyny liczące a inteligencja. tłum. D. Gajkowicz, [w:] Maszyny matematyczne i myślenie, red. E. Feigenbaum, J. Feldman, PWN, Warszawa 1972, ss. 24-47. Artykuł dostępny również w wortalu: kognitywistyka.net (http://www.kognitywistyka.net, Dział Lektury).

Literatura dodatkowa:

1. Cichosz P.: Systemy uczące się. Warszawa, WNT, 2001.

2. Flasiński M.: Wstęp do sztucznej inteligencji. PWN, 2011.

3. Kasperski M.: Sztuczna inteligencja. Gliwice, Helion, 2003.

4. Marciszewski W.: Sztuczna Inteligencja. Kraków, Znak, 1998.

Absolwent:

WIEDZA

KP6_WG4 – zna i rozumie podstawowe techniki i metody programowania, paradygmaty i języki programowania.

KP6_WG5 - zna i rozumie zasady logicznej organizacji, kolekcjonowania i przechowywania danych.

KP6_WG9 - zna i rozumie podstawowe zagadnienia w dziedzinie sztucznej inteligencji, reprezentacji i przetwarzania wiedzy, komunikacji człowiek-komputer.

UMIEJĘTNOŚCI

KP6_UW2 – potrafi wykorzystać metody statystyczne do analizy danych

KP6_UW4 – potrafi wybierać odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań.

KP6_UW5 - potrafi implementować algorytmy stosując odpowiednie elementy wybranego języka programowania.

KP6_UW10 - potrafi rozwiązywać problemy wyrażone w języku naturalnym technikami sztucznej inteligencji oraz komunikacji człowiek-maszyna.

KP6_UK3 - potrafi samodzielnie opracować rozwiązanie zadanego zagadnienia informatycznego z pogranicza teorii i praktyki oraz przedstawić rozwiązanie i wnioski.

KP6_UO1 - potrafi współpracować w grupie planując i realizując wspólne projekty, w tym kompleksowe projekty programistyczne.

KP6_UU2 – potrafi śledzić i przyswajać sobie nowe narzędzia i metody informatyczne.

KOMPETENCJE SPOŁECZNE

KP6_KK1 – jest gotów do starannego określania priorytetów i ustalania właściwej kolejności podejmowanych działań.

KP6_KO1 - jest gotów do przyjęcia kreatywnej i innowacyjnej postawy niezbędnej do podjęcia praktycznej aktywności w społeczeństwie informacyjnym.

Forma zaliczenia przedmiotu:

Wykład: egzamin.

Laboratorium: zaliczenie.

Projekt: zaliczenie.