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
- Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach. Pearson Education Limited 2022 (ISBN: 1-292-40113-3)
- G.F. Luger: Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Pearson 2009
Literatura dodatkowa
- Donald E.Knuth, Ronald W.Moore: An analysis of alpha-beta pruning. Artificial Intelligence,
Volume 6, Issue 4, Winter 1975, Pages 293-326
- Jure Leskovec, Anand Rajaraman, Jeff Ullman: Mining of Massive Datasets.
Chapter 7: Clustering
Chapter 13: Neural Nets and Deep Learning
- Martin Ester, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu: A density-based algorithm for discovering clusters in large spatial databases with noise. (1996)
- Mohammed J. Zaki, Wagner Meira: Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press 2014
Tematy wykładów (w przybliżeniu)
- Wprowadzenie. (6-03-2023)
- Przeszukiwanie przestrzeni stanów - problemy jednosobowe. (13-03-2023)
- Przeszukiwanie przestrzeni stanów - algorytm A*. (20-03-2023)
- Przeszukiwanie przestrzeni stanów - gry dwuosobowe. (27-03-2023)
- Wstęp do uczenia maszynowego. (3-04-2023)
- Propagacja wsteczna błędu. (17-04-2023)
- Usprawnienia sieci neuronowych. (24-04-2023)
- Klasteryzacja. (8-05-2023)
- Drzewa decyzyjne. (15-05-2023)
- Klasyfikacja Bayesowska. (22-05-2023)
- Probabilistyczne wnioskowanie w czasie. (29-05-2023)
- Metody oceny klasyfikatorów. (5-06-2023)
- Automatyczne dowodzenie twierdzeń. (12-06-2023)
- Podsumowanie. (19-06-2023)
- 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).