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


Laboratorium


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).


Counter Valid XHTML 1.1! Valid CSS!

Maciej.Gebala@pwr.edu.pl