Wprowadzenie do sztucznej inteligencji 2023

Poniedziałek 15¹⁵ - 16⁵⁵ C-13/0.32 wykład

Wtorek 9¹⁵ - 11⁰⁰ C-16/D3.1 TN/TP ćwiczenia

Czwartek 11¹⁵ - 13⁰⁰ C-16/D3.1 TN/TP ćwiczenia

Czwartek 13¹⁵ - 15⁰⁰ C-4/33 TN ćwiczenia

Wtorek 7³⁰ - 9⁰⁰ D-1/317.2 TN/TP laboratorium (dr P. Kobylański)

Wtorek 9¹⁵ - 11⁰⁰ D-1/317.2 TN/TP laboratorium (dr P. Kobylański)

Wtorek 11¹⁵ - 13⁰⁰ D-1/317.2 TN/TP laboratorium (dr P. Kobylański)

Czwartek 13¹⁵ - 15⁰⁰ D-1/317.2 TN/TP laboratorium (dr P. Kobylański)

Czwartek 18⁵⁰ - 21³⁵ D-1/317.3 TN laboratorium (dr P. Kobylański)

Literatura podstawowa

1. Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach. Pearson Education Limited 2022 (ISBN: 1-292-40113-3)
2. G.F. Luger: Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Pearson 2009

Literatura dodatkowa

1. Donald E.Knuth, Ronald W.Moore: An analysis of alpha-beta pruning. Artificial Intelligence, Volume 6, Issue 4, Winter 1975, Pages 293-326
2. Jure Leskovec, Anand Rajaraman, Jeff Ullman: Mining of Massive Datasets.
   Chapter 7: Clustering
   Chapter 13: Neural Nets and Deep Learning
3. Martin Ester, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu: A density-based algorithm for discovering clusters in large spatial databases with noise. (1996)
4. Mohammed J. Zaki, Wagner Meira: Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press 2014

Tematy wykładów (w przybliżeniu)

1. Wprowadzenie. (6-03-2023)
2. Przeszukiwanie przestrzeni stanów - problemy jednosobowe. (13-03-2023)
3. Przeszukiwanie przestrzeni stanów - algorytm A^*. (20-03-2023)
4. Przeszukiwanie przestrzeni stanów - gry dwuosobowe. (27-03-2023)
5. Wstęp do uczenia maszynowego. (3-04-2023)
6. Propagacja wsteczna błędu. (17-04-2023)
7. Usprawnienia sieci neuronowych. (24-04-2023)
8. Klasteryzacja. (8-05-2023)
9. Drzewa decyzyjne. (15-05-2023)
10. Klasyfikacja Bayesowska. (22-05-2023)
11. Probabilistyczne wnioskowanie w czasie. (29-05-2023)
12. Metody oceny klasyfikatorów. (5-06-2023)
13. Automatyczne dowodzenie twierdzeń. (12-06-2023)
14. Podsumowanie. (19-06-2023)
15. Kolokwium. (Trwa 45 minut. O godzinie 15:15 piszą studenci z numerami indeksu poniżej 265000, a o 16:10 pozostali.) (21-06-2023)

Ćwiczenia

• Lista nr 0
• Lista nr 1
• Lista nr 2
• Lista nr 3
• Lista nr 4
• Lista nr 5
• Lista nr 6

Laboratorium

• Lista nr 1 (termin oddania: trzecie pełne laboratorium)
• Lista nr 2 (Kody gry - wersja α) (termin oddania: pierwsze laboratorium w maju)
• Lista nr 3 (termin oddania: pierwsze laboratorium po 20 maja)
• Lista nr 4 (termin oddania: pierwsze laboratorium po 10 czerwca)

Zasady zaliczenia kursu

Kurs będzie zaliczany na podstawie kolokwium końcowego, które odbędzie się na ostatnim wykładzie, oraz na podstawie średniej z ocen za listy na laboratorium (wszystkie listy muszą być oddane).

Zadania na laboratorium powinny być samodzielnie zaimplementowane przez studenta. Prowadzący laboratoria mogą przy zaliczeniu i ocenie list żądać modyfikacji programów pokazujących, że student opanował oddawane algorytmy. Za listę oddaną w terminie uważa się listę oddaną na zajęciach na które jest przeznaczona. Każdy tydzień spóźnienia każdej listy obniża końcową ocenę o 0,5. Zaliczenie wszystkich list jest warunkiem koniecznym zaliczenia kursu.

Aktywność na ćwiczeniach jest ocenianiana w skali od 0 do 6.

Ocena końcowa jest wyliczana według wzoru: 0.3 oceny z kolokwium + 0.15 oceny za każdą listę z laboratorium + 0.1 aktywności na ćwiczeniach, zaokrąglonej do najbliższej oceny (2.74 zaokrągla się jednak do 2.0, 2.75 do 3.0, 3.25 do 3.5, itd).