From WikiZMSI

Zakres tematyczny przedmiotu (30h)

• podstawowe pojęcia sztucznej inteligencji (SI), definicje SI, problemy SI, test Turinga
• rozgrywanie gier logicznych, strategie i heurystyki przeszukiwania grafów, algorytm BFS, przyłady: problem n-hetmanów, Parser nie mógł rozpoznać (nieznany błąd): n^2-1

puzzle, sudoku 

• sztuczne sieci neuronowe (SSN), klasyfikacja SSN ze względu na różne kryteria, uczenie pod nadzorem, uczenie bez nadzoru, reguła prosta delta, reguła skumulowana delta, modele neuronu, rodzaje funkcji aktywacji
• perceptron, struktura perceptronu, model neuronu, interpretacja geometryczna, problem liniowej separowalności wzorców, algorytm reguła perceptronu, dowód zbieżności, margines separacji, wyznaczanie optymalnej prostej separacji, krótka wzmianka o metodzie SVM
• sieci neuronowe jednokierunkowe, struktura sieci, model neuronu, wyprowadzenie reguły wstecznej propagacji błędu, krótki przegląd algorytmów uczenia sieci neuronowych warstwowych
• zadanie klasyfikacji, błąd sieci, błąd klasyfikatora, szacowanie błędów klasyfikatora, testowanie i walidacjia, dobór struktury sieci w procesie walidacji, kroswalidacja, szacownie błędu klasyfikatora metodą SRM
• sieci neuronowe typu RBF, struktura sieci, model neuronu, algorytm uczenia sieci (samoorganizacji + regresja liniowa, metoda SVM), błąd sieci, błąd modelu, szacowanie błędów klasyfikatora, testowanie i walidacjia, ...
• przegląd zastosowań sieci neuronowych jednokierunkowych do zagadnień ekonomicznych techniczych i medycznych
• wykorzystanie pakietu Neural Network Toolbox programu MATLAB
• sieci neuronowe typu Hopfielda, struktura sieci, model neuronu, reguła Hebba - algorytm uczneia, pojęcie pamieci asocjacyjnej, róznice pomiędzy pamięcią komputera a mózgiem człowieka, funkcja energetyczna, zastosowanie sieci Hopfielda do rozwiązywania zadań optymalizacji, zastosowania sieci Hopfielda w problemie OCR
• sieci neuronowe samoorganizujące, struktura sieci, model neuronu, reguła Kohonena, algorytmy WTA, WTM, algorytm gazu neuronowego, zastosowanie sieci samoorganizujących do klasteryzacji i identyfikacji rozkładu
• wprowadzenie do algorytmów genetycznych i ewolucyjnych, pojęcia podstawowe, kodowanie osobinka, przestrzeń fenotypu, przestrzeń genotypu, operatory genetyczne: krzyowanie i mutacja, metody selekcji, przykład: problem komiwojażera.
• gry ewolucyjne, dylemat więźnia (DW), n-osobowy DW, iterowany DW, przestrzenny DW, problemy decyzyjne związane z dylematem więźnia, gra w życie (ang. game of life)

Warunki zaliczenia

Po skończonych wykładach odbedzie sie jedno-godzinny sprawdzian w formie ok. 15 krótkich pytań. Obowiązuje cały materiał przedstawiony na wykładach.