Uvod u umjetnu inteligenciju

Ishodi učenja

  1. definirati osnovne pojmove umjetne inteligencije
  2. razlikovati simboličke i konektivističke pristupe umjetnoj inteligenciji
  3. primijeniti algoritme pretraživanja prostora stanja i algoritme biološki inspirirane optimizacije na jednostavnije probleme
  4. primijeniti logičko programiranje za rješavanje jednostavnijih logičkih problema
  5. primijeniti postupke automatskog zaključivanja na jednostavnije logičke probleme
  6. usporediti različite pristupe prikazivanju nejasnog znanja
  7. ocijeniti primjenjivost pojedinih pristupa umjetne inteligencije na danom problemu
  8. primijeniti osnovne algoritme strojnog učenja
  9. rezimirati filozofske aspekte umjetne inteligencije

Oblici nastave

Predavanja

Laboratorij

Tjedni plan nastave

  1. UI problemi i primjene, Definicije umjetne inteligencije i Turingov test, Agenti i okoline
  2. Problem pretraživanja prostora stanja, Slijepo pretraživanje (u širinu. u dubinu. u dubinu s iterativnim produbljivanjem)
  3. Heuristike i usmjereno pretraživanje (usponom na vrh. općenito najbolji-prvi), Pretraživanje Minimax i alfa-beta podrezivanje, Zadovoljavanje ograničenja (postupak vraćanja i metode lokalne pretrage), Pretraživanje A*. usnopljeno pretraživanje
  4. Logika kao način predstavljanja znanja (ontološko i epistemološko opredjeljenje), Formalizacija rečenica prirodnoga jezika u predikatnoj logici, "Rezolucijsko pravilo u propozicijskoj logici", Rezolucijsko pravilo u predikatnoj logici
  5. Ekspertni sustavi zasnovani na logici, Redukcija ili svođenje na logičko programiranje
  6. Opisne logike i ontologije, Semantičke mreže, Nemonotono zaključivanje, Prostorno-vremensko zaključivanje
  7. Zaključivanje na temelju primjera, Učenje na temelju primjera i modela, Planiranje, Ekspertni sustavi zasnovani na pravilima
  8. Međuispit
  9. Faktori izvjesnosti, Neizraziti skupovi i neizrazita logika, Neizrazito zaključivanje (neizrazite propozicije, neizrazite relacije i neizrazite implikacije), Sustavi neizrazitog zaključivanja; neizrazito kodiranje i dekodiranje
  10. Probabilistički pristupi (Bayesove mreže, Markovljeve mreže), Bayesovsko zaključivanje
  11. Zadatci i primjene strojnog učenja, Prisutpi i paradigme strojnog učenja, Naivan Bayesov klasifikator, Stabla odluke
  12. Okolina, nagrada i vrijednosna funkcija, Markovljevi procesi odlučivanja, Postupci aproksimativnoga dinamičkog programiranja (Q-učenje)
  13. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje), Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme)
  14. Filozofska pitanja
  15. Završni ispit

Studijski programi

Sveučilišni preddiplomski
Računarstvo (studij)
(6. semestar)

Literatura

(.), by Russell, Stuart J; Norvig, Peter. Artificial Intelligence: A Modern Approach. Prentice-Hall, Inc., 2003.,
(.), Dalbelo Bašić, Bojana; Šnajder, Jan. Umjetna inteligencija: Zaključivanje uporabom propozicijske i predikatne logike – zbirka zadataka. Zagreb: FER, 2008.,

Izvedba

ID 183477
  Ljetni semestar
4 ECTS
R3 Engleski jezik
R1 E-učenje