Системи штучного інтелекту - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни
Рівень вищої освіти Другий (магістерський)
Галузь знань 12 Інформаційні технології
Спеціальність 126 Інформаційні системи та технології
Освітня програма Інформаційне забезпечення робототехнічних систем
Статус дисципліни Нормативна
Форма навчання заочна
Рік підготовки, семестр 3 курс, осінній семестр
Обсяг дисципліни 120 годин
Семестровий контроль/ контрольні заходи Екзамен, МКР
Розклад занять http://rozklad.kpi.ua
Мова викладання Українська
Інформація про керівника курсу / викладачів

Лектор, лабораторні: к.т.н., Олійник Володимир Валентинович

oliinyk.volodymyr@gmail.com
Розміщення курсу https://campus.kpi.ua

Програма навчальної дисципліни

Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання

Розвиток сучасних інформаційних систем йде в напрямку їх інтелектуалізації, що дозволяє розширити традиційні можливості, застосовувати для задач, що раніше могли вирішуватися виключно людиною. Курс є базовим для спеціалізованих технологій штучного інтелекту, дає загальне уявлення про структуру та їх можливості.

Метою дисципліни є набуття студентом компетенцій з вибору раціональних методів та застосування технологій штучного інтелекту для розв’язання практичних задачі, програмної реалізації методів і моделей штучного інтелекту, розробки інтелектуальних агентів, впровадження інтелектуальних компонентів в інформаційні та робототехнічні системи.

Предметом дисципліни є: основи штучного інтелекту, основні підходи до побудови інтелектуальних систем; агентний підхід до побудови інтелектуальних систем, мультиагентні системи; принципи побудови систем на основі станів, змінних та знань, їх особливості та сфери застосування; методи пошуку в просторі станів, в умовах протидії та невизначеності; місце навчання в інтелектуальних системах та навчання з підкріпленням; інтелектуальні системи на основі знань та змінних.

В результаті вивчення дисципліни слухачі мають знати:

  • роль, місце, тенденції та перспективи інтелектуальних систем;

  • основні методи штучного інтелекту та сфери їх застосування,

  • основні підходи до побудови систем штучного інтелекту та технології їх розробки;

  • принципи побудови інтелектуальних систем у робототехніці та інших сферах.

В результаті вивчення дисципліни слухачі мають вміти:

  • вибирати раціональні методи та технології штучного інтелекту для розв’язання поставленої задачі.

  • застосовувати технології штучного інтелекту для вирішення практичних задач;

  • програмно реалізовувати методи і моделі штучного інтелекту;

  • проектувати та використовувати системи, що використовують елементи штучного інтелекту;

  • оцінювати ефективність розроблених інтелектуальних моделей;

  • впроваджувати інтелектуальні компоненти в робототехнічні системи, інтелектуальні системи реального часу.

В результаті навчання слухачі набувають наступні компетентності:

  1. КС 6 – Здатність використовувати сучасні інформаційні системи та технології (виробничі, підтримки прийняття рішень, інтелектуального аналізу даних та інші), методики захисту інформації та кібербезпеки під час виконання функціональних завдань та обов’язків

  2. КС 15 – Здатність до розробки і використання інтелектуальних технологій, методів штучного інтелекту для вирішення прикладних задач і підтримки прийняття рішень в робототехнічних системах

Програмними результатами навчання є застосовуваня технологій штучного інтелекту для створення інтелектуальних компонентів інформаційних систем та систем штучного інтелекту (ПР 24)

Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)

Для успішного засвоєння дисципліни необхідні базові знання з вищої та дискретної математики, теорії алгоритмів, теорії імовірності та мат. статистики, навики програмування. Навчання дисципліні відбувається після засвоєння дисциплін «Вища математика», «Програмування», «Спецрозділи математики: Дискретна математика», «Теорія автоматичного управління», «Проектування компонентів гнучких комп’ютеризованих систем».

Результати навчання даної дисципліни використовують у дипломному проектуванні та у спеціалізованих дисциплінах подальшого циклу підготовки магістрів, зокрема, курсів: Нейротехнології та нейрокомпютерні системи, Теорія нечітких множин в системах управління та прийняття рішень тощо.

Зміст навчальної дисципліни

Тема 1. Основи систем штучного інтелекту (СШІ)

Тема 2. Моделі машинного навчання у СШІ

Тема 3. Моделі на основі станів

Тема 4. Моделі на основі змінних

Тема 5. Моделі на основі знань

Навчальні матеріали та ресурси

Базова література:

  1. Рассел С., Норвиг П. Искусственный интеллект. Современный подход. – К.:Диалектика, 2007. – 1408 с. http://aima.cs.berkeley.edu/

  2. Ямпольський Л.С. Гнучкі комп’ютерно-інтегровані системи: планування, моделювання, верифікація, управління. Кн. 2. Штучний інтелект в плануванні і керуванні виробничими процесами: підручник / Л.С. Ямпольський, П.П. Мельничук, К.Б .Остапченко, О.І. Лісовиченко – Житомир: ЖДТУ, 2010. – 786 с.

  3. Глибовець М.М., Олецький О.В. Штучний інтелект: підручник. – К.: Вид. дім “КМ Академія”, 2002. – 368 с.

Додаткова література:

  1. Ямпольський Л.С. Нейротехнології та нейрокомп’ютерні ситеми / Ямпольський Л.С., Лісовиченко О.І., Олійник В.В. // Дорадо-друк, Київ, 2016. ­– 571 с.

  2. Ямпольський Л.С., Лавров О.А. Штучний інтелект у плануванні та управлінні виробництвом: Підручник. – К.: Вища шк., 1995. – 255 с.

  3. Trevor Hastie, Robert Tibshirani, Jerome Friedman. Elements of Statistical Learning: Data Mining, Inference, and Prediction. Second Edition. Springer, 2009. - 767p.

  4. Daphne Koller, Nir Friedman. Probabilistic Graphical Models: Principles and Techniques. MIT Press, 2009. – 1231 p.

  5. Richard S. Sutton, Andrew G. Barto. Reinforcement Learning : An Introduction MIT Press, Adaptive Computation and Machine Learning Ser.: 2018. - 552 p.

  6. Edward Tsang. Foundations of constraint satisfaction. Academic Press, 1996. - 440p. http://cse.unl.edu/~choueiry/Documents/TsangTextbook/Tsang-Fcs1993-Toc.pdf

Інші навчальні матеріали та їх електронні версії:

https://drive.google.com/drive/folders/1dZJBOfg\_XfQ7BzVv38ls0097L-smt0N3?usp=sharing

Навчальний контент

Методика опанування навчальної дисципліни (освітнього компонента)

Вивчення навчальної дисципліни відбувається за наступним планом:

Тема 1. Основи інтелектуальних технологій

Лекція 1. Поняття штучного інтелекту і основи створення систем штучного інтелекту

Підходи до розуміння інтелекту та поняття штучного інтелекту, сфери застосування інтелектуальних технологій, місце в кібернетиці, сучасний стан та коротка історія, доцільність використання, поняття інтелектуального агенту. Парадигма вирішення задач інтелектуальними системами, концептуальна модель системи штучного інтелекту та її складові: моделювання, виведення, навчання. Структура курсу: загальний огляд методів та моделей.

Тема 2. Моделі машинного навчання у СШІ

Лекція 2. Моделі машинного навчання у СШІ

Контрольоване та неконтрольоване навчання. Основі поняття та технології: функція втрат, оптимізація моделей, алгоритм стохастичного градієнтного спуску, інженерія ознак, нейронні мережі. Узагальнюючі можливості моделей машинного навчання, поняття перенавчання та способи його уникнення. Практичні аспекти застосування моделей машинного навчання в СШІ.

Комп. практикум 1. Моделі машинного навчання

Ознайомлення з принципами функціонування, створення, навчання та використання моделей машинного навчання. Для задачі класифікації (або регресії) на основі типового датасету створити модель машинного навчання, навчити її на датасеті, перевірити результат на тестовій вибірці.

Тема 3. Моделі на основі станів

Лекція 3. СШІ на основі пошуку в просторі станів та в умовах протидії

Суть та сфера застосування. Поняття стану, формалізація задач та побудова дерев станів. Алгоритми: пошук з поверненням, пошук вшир та вглиб, пошук з обмеженням глибини та з ітеративним заглибленням, пошук за критерієм вартості. Методи пошуку в графі: динамічне програмування. Суть інформованого пошуку. Алгоритми: жадібний пошук, А*, рекурсивний пошук за першим найкращим співпадінням, SMA*. Поняття евристичної функції, вимоги до неї, оцінка якості та способи побудови. Поняття пошуку в умовах протидії. Моделювання ігор. Оцінювання ігор Алгоритми: Expectimax, Minimax, Expectiminimax. Прискорення пошуку: використання функцій оцінки та альфа-бета відсікання. Вихначення оціночних функці шляхом навчання.

Комп. практикум 2. Класичні методи пошуку в просторі станів

Вивчення та застосування на практиці алгоритмів неінформативного та інформативного пошуку, порівняльний аналіз ефективності використання алгоритмів.

Лекція 4. Інтелектуальні методи прийняття рішення в умовах невизначеності і навчання з підкріпленням

Пошук в умовах невизначеності. Поняття Марківських процесів. Оцінка стратегій, метод ітеративного оцінювання стратегій. Знаходження оптимальних стратегій: ітерація за цінністю. Суть навчання з підкріпленням. Методи Монте-Карло: модельно-орієнтований та безмодельний. Методи бутсрепінгу: SARSA, Q-навчання. Дослідження невідомого середовища: епсілон-жадібна стратегія. Використання моделей машинного навчання.

Комп. практикум 3. Методи пошуку в невідомому середовищі та в умовах протидії

Розробка інтелектуального агента, що діє в у. Дослідження алгоритмів оцінки та оптимізації стратегій у Марківських процесах та навчання з підкріпленням.

Знайомство з методами пошуку в умовах протидії та дослідження їх для агента в типовому ігровому середовищі.

при вивченні навчальної дисципліни користуються дидактичними засобами, зокрема, комп‘ютерними презентаціями тем лекцій, інтерактивними засобами візуалізації та моделювання алгоритмів, що вивчаються, та зразками коду для їх реалізації. Комп‘ютерні практикуми виконуються на основі методичних матеріалів до їх виконання. При виконанні комп’ютерних практикумів слід використовувати програмне забезпечення – сучасні середовища розробки програмного забезпечення. При цьому студент не обмежується у виборі засобу реалізації поставленої в роботі задачі. Основною вимогою є повнота розв’язання поставленої задачі та можливість демонстрації роботи та отриманих результатів в комп’ютеризованій аудиторії.

Самостійна робота студента/аспіранта

Метою самостійної роботи є засвоєння студентами знань з тем дисципліни та їх закріплення, поглибленого вивчення матеріалу, а також розвиток у студентів навичок самостійної роботи з технологіями штучного інтелекту у межах основних тем.

На самостійну роботу виносяться наступні питання:

  • Моделі штучного інтелекту на основі змінних.

  • Фактор-графи. Задачі задоволення обмежень.

  • Методи локального пошуку: жадібний, променевий, ICM, семплінг за Гібсом, генетичні алгоритми.

  • Основи Марківських і Байєсівських мереж.

  • Моделі штучного інтелекту на основі знань.

  • Моделі подання знань в інтелектуальних системах: на основі продукційних правил, мережеві семантичні моделі, моделі на основі логіки.

  • Системи подання знань на основі логіки, особливості, сфера застосування.

Політика та контроль

Політика навчальної дисципліни (освітнього компонента)

Порядок виконання та захисту практикумів

Студент виконує комп’ютерні практикуми самостійно або у бригаді з двох осіб (з відповідним збільшенням обсягів роботи та погодження з викладачем та якщо практикум це передбачає).

Демонстрація поточних результатів, обговорення питань по роботам та ін. відбувається за розкладом практичних робіт після захисту готових робіт згідно календарного плану їх виконання та в час консультації викладача.

Для захисту студент попередньо надсилає оформлений звіт на пошту викладачу (файл називати у форматі «СШІ-номер групи- ПІБ- номер роботи»). В процесі захисту студент демонструє програмну реалізацію та відповідає на запитання по роботі та пов’язаному теоретичному матеріалу (3-5 питань). Для успішного захисту практикуму необхідно правильно відповісти принаймні на половину з питань.

При виконанні практикумів необхідно дотримуватись календарного плану:

КП1 – 3 тиждень

КП2 – 5 тиждень

КП3 –7 тиждень

За здачу після встановленого терміну без поважних причин максимальний бал за роботу знижується: -1 бали за кожен наступний тиждень після (але не більше - 5 балів).

Крім того максимальний бал за роботу знижується на 2 бали за кожну «невдалу» спробу захисту (але не більше -4 балів).

За практикуми можна отримати додаткові заохочувальні бали при виконанні додаткових завдань в них. Загальна сума балів за практикум не має перевищувати максимально можливого балу за нього.

Заохочувальні бали

Студент має змогу отримати додаткові заохочувальні бали за виконання завдань із удосконалення дидактичних та навчальних матеріалів, обробку сучасних наукових робіт з дисципліни - надається від 1 до 10 заохочувальних балів.

Політика щодо академічної доброчесності

Усі роботи (комп’ютерні практикуми та МКР) перевіряються на наявність плагіату і допускаються до захисту із коректними текстовими запозиченнями не більше 20%. Роботи що містять більшу кількість до розгляду і оцінювання не приймаються.

Перескладання контрольних заходів відбувається за наявності поважних причин (наприклад, лікарняний) у встановленому або індивідуальному порядку.

Види контролю та рейтингова система оцінювання результатів навчання (РСО)

Рейтинг студента з дисципліни складається з балів, що він отримує за:

1) виконання 3х комп’ютерних практикумів;

2) одна модульна контрольна робота.

Система рейтингових (вагових) балів та критерії оцінювання

1. Виконання комп’ютерних практикумів

Ваговий бал - 25. Максимальна кількість балів на всіх комп’ютерних практикумах дорівнює 25 бали × 3 = 75 балів.

Складові оцінки:

  • Вирішення задачі та програмна реалізація алгоритму – 8 балів

  • Звіт (відповідність структурі, презентація результатів роботи, якість та обґрунтування інформації, висновки) – 7 балів

  • Захист практикуму (для захисту необхідно правильно відповісти принаймні на половину з максимуму 1-3 питань) – 8 балів

2. Модульний контроль

Ваговий бал – 25.

Заохочувальні бали за:

- виконання завдань із удосконалення дидактичних та навчальних матеріалів, обробки сучасних наукових робіт з дисципліни надається від 1 до 10 заохочувальних балів.

Поточний контроль: 1 МКР.

Семестровий контроль: екзамен

Допуск до іспиту: Рейтинг не менш ніж 30 балів та здано всі комп’ютерні практикуми;

Бали по екзаменаційних питаннях:

Кількість балів по відповіді на кожне питання визначається викладачем з врахуванням

складності питання та якості відповіді. Максимальна кількість балів 50.

Розрахунок шкали (R) рейтингу

Сума вагових балів контрольних заходів протягом семестру складає:

RС = 100 балів.

Екзаменаційна складова шкали дорівнює 50 балів. Стартова шкала 0.5*RC =50 балів.

Для отримання студентом відповідних оцінок (ЕСТS та традиційних) його рейтингова оцінка RD переводиться згідно з таблицею:

RD=0.5*RC + RE оцінка
95…100 відмінно
85…94 дуже добре
75…84 добре
65…74 задовільно
60…64 достатньо
R < 60 незадовільно
RС < 35 або не виконано інші умови допуску до екзамену не допущений

Додаткова інформація з дисципліни (освітнього компонента)

Передбачена можливість зарахування сертифікатів проходження дистанційних чи онлайн курсів по технологіям штучного інтелекту відповідного рівня за умови відповідності програми не менше ніж на 60%. Остаточне рішення по кожному сертифікату приймається викладачем з урахуванням вказаних вимог.

Робочу програму навчальної дисципліни (силабус):

Складено доцентом кафедри ТК, к.т.н. Олійником В.В.

Ухвалено кафедрою технічної кібернетики (протокол № 11 від 29.05.2020)

Погоджено Методичною комісією факультету (протокол № 11 від 31.05.2020 )