Технології штучного інтелекту - Робоча програма навчальної дисципліни (Силабус)

Реквізити навчальної дисципліни

Рівень вищої освіти	Перший (бакалаврський)
Галузь знань	12 Інформаційні технології
Спеціальність	126 Інформаційні системи та технології
Освітня програма	Інформаційне забезпечення робототехнічних систем
Статус дисципліни	Вибіркова
Форма навчання	очна(денна)
Рік підготовки, семестр	4 курс, весняний семестр
Обсяг дисципліни	150 годин (денна: 32 годин – лекції, 28 годин – лабораторний практикум, 90 годин – СРС;)
Семестровий контроль/ контрольні заходи	Залік
Розклад занять	http://rozklad.kpi.ua
Мова викладання	Українська
Інформація про керівника курсу / викладачів	Лектор: ст. викладач Польшакова Ольга Михайлівна. polshakova.om@gmail.com моб. +38(093)149-91-92 Лабораторний практикум: Польшакова Ольга Михайлівна.
Розміщення курсу	https://campus.kpi.ua

Програма навчальної дисципліни

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

Опис дисципліни. Дисципліна «Технології штучного інтелекту» є основною з ряду спеціальних дисциплін, що стосуються систем штучного інтелекту, та вступною для дисциплін, що стосуються інтелектуального аналізу даних у підготовці бакалаврів з напряму «Інформаційні системи та технології». Основним об’єктом вивчення є класичні технології ШІ та методи і напрямки застосування.

Окрім цього, викладання курсу має на меті ознайомити студентів з основами практичного апарату, необхідного для застосування теоретичних і практичних знань з обраного фаху, виробити навички оцінки отриманих результатів, вибір оптимального методу розв’язування задач; привити студентам уміння самостійно вивчати навчальну літературу з теорії штучного інтелекту, розвинути логічне та математичне мислення та підняти загальний рівень інформаційної культури студентів; розвинути алгоритмічне мислення та вміння вибирати і використовувати інтелектуальні методи і засоби; ознайомити студентів з роллю та місцем штучного інтелекту в наукових дослідженнях.

Значна увага приділяється формуванню знань, вмінь та навичок, необхідних для розроблення і застосування моделей відображення знань, стратегій логічного виведення, технологій інженерії знань, технологій і інструментальних засобів інтелектуальних систем.

Предмет дисципліни. Технології, методи та системи штучного інтелекту, теоретичні основи штучного інтелекту.

Міждисциплінарні зв’язки. Базові знання з дисциплін: математичний аналіз, дискретна математика, об’єктно – орієнтоване моделювання, теорія алгоритмів, моделювання систем, веб-технології та веб- дизайн.

Мета дисципліни – формування знань, вмінь та навичок, необхідних для застосування технологій ШІ з використанням сучасних методів і засобів програмування (нейронні мережі, об’єктно-орієнтований підхід, моделі представлення знань) для вирішення інтелектуальних, нечітких та важко формалізуємих задач.

Основні завдання навчальної дисципліни. Вивчення сучасних методів і технологій штучного інтелекту, розроблення та застосування моделей представлення знань для побудови інтелектуальних систем.

Знання: Після опанування курсу ( як результату навчання) студенти повинні знати основні підходи

до вирішення інтелектуальних задач, основні поняття та означення штучного інтелекту, підходи

методи і технології штучного інтелекту, способи подання інтелектуальної задачі та методи пошуку

рішень, моделі представлення знань у системах із ШІ, сучасні тенденції та підходи до створення

систем із ШІ.

Уміння:

Студенти повинні вміти досліджувати й оцінювати програмні продукти зі алгоритмами штучного інтелекту, розробляти нейромережі різної архітектури, зокрема: перцептрон, неокогнітрон, когнітрон, мережі Хопфілда та Хемінга, розробляти системи розпізнавання образів, застосовувати класичні технології штучного інтелекту для вирішення інтелектуальних задач, моделювати структуру та розробляти експертні системи.

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

Пререквізити: для успішного засвоєння дисципліни необхідно мати теоретичну базу з теорії

автоматичного управління, математичного аналізу, дискретної математики, теорії алгоритмів

та мат. статистики, програмування, проектування гнучких комп’ютеризованих систем.

Постреквізити: результати навчання даної дисципліни використовують у дипломному проектуванні

та у спеціалізованих дисциплінах подальшого курсу підготовки магістрів, зокрема курсів нейротехнології та нейрокомп’ютері системи, теорія нечітких множин та прийняття рішень.

Зміст навчальної дисципліни

Лекційні заняття

Тема 1. Основні поняття та визначення.

Тема 2. Нейронні мережі.

Тема 3. Системи розпізнавання образів.

Тема 4. Класичні технології ШІ.

Тема 5. Представлення та використання знань у СШІ.

Лабораторний практикум:

Перелік лабораторних занять для студентів денної форми навчання

№	Тема лабораторного заняття	Кількість
з/п		аудиторних
		годин
Восьмий семестр
1	Практичне ознайомлення з дослідницькими програмами на базі ШІ.	2
	Дослідження демонстраційних програмних продуктів
2	Вступ до нейронних мереж.	2
	Моделювання роботи нейрона
3	Розробка нейронної мережі перцептрон	4
4	Практичне ознайомлення з нейронними мережами.	2
	Дослідження роботи нейромережі Хопфілда
5	Розробка нейронної мережі Хопфілда (чи Хемінга)	4
6	Розробка нейронної мережі когнітрон (чи неокогнітрон)	4
7	Розробка системи розпізнавання образів	2
8	Класичні технології штучного інтелекту – програмна реалізація.	6
	Генетичні алгоритми. Ланцюги Маркова. Алгоритм мурахі.
	Алгоритм відпалу.
9	Розробка експертної системи	2
10	Розробка системи підтримки прийняття рішень	2
	Разом:	28

Навчальні матеріали та ресурси

Базова література

Конспект лекцій - https://campus.kpi.ua/student/index.php?mode=mob&show&irid=202438

Презентації - https://campus.kpi.ua/student/index.php?mode=mob&show&irid=202439

Допоміжна література

Навчальні ресурси:

1. Штучний інтелект: підручник для студ. вузів,

" / М.М.Глибовець, О.В.Олецький . – К. : КМ Академія, 2002 . – 365 с.

1. Комп'ютерні системи штучного інтелекту: підручник для студ. Вузів / Доля В.Г. – К.

: Университет Україна, 2011. – 296 с.

1. Субботін С.О. Подання і обробка знань у системах штучного інтелекту

   та підтримки прийняття рішень: навч. посібник. - Запоріжжя, ЗНТУ, 2008. - 341 с.

2. Штучний інтелект: підручник для студ. вузів, що навчаються за спец. "Комп'ютерні науки" та "Прикладна математика" / М.М.Глибовець, О.В.Олецький . – К. : КАкадемія,

2002 . – 365 с.

1. Комп'ютерні системи штучного інтелекту: підручник для студ. Вузів / Доля В.Г. – К. : Университет Україна, 2011. – 296 с.

2. Субботін С.О. Подання і обробка знань у системах штучного інтелекту та підтримки прийняття рішень: навч. посібник. - Запоріжжя, ЗНТУ, 2008. - 341 с.

3. Рідкокаша А.А., Голдер К.К. Основи систем штучного інтелекту. Навчальний посібник. - Черкаси: "ВІДЛУННЯ-ПЛЮС", 2002. - 240 с.

4. Спірін О.М. Початки штучного інтелекту: Навчальний посібник для студ. фіз.-мат. спец-тей вищих пед. навч. закл-ів – Житомир: Вид-во ЖДУ, 2004.

– 172 с.

1. Кампус КПІ: Доступ до ресурсу:

   http://camps.kpi.ua/student/index. php?

Електронна бібліотека університету. Доступ до ресурсу:http://eia.kpi.ua/

Навчальний контент

5. Методика опанування навчальної дисципліни (освітнього компонента)

Лекційні заняття

Номер	Перелік тем лекцій, їх анотації	Кількість
лекції	Восьмий семестр	годин
1	Вступ. Штучний інтелект. Основні поняття та визначення.	2
	Напрями штучного інтелекту
2	Нейронні мережі. Моделювання роботи нейрона.	2
3	Нейронна мережа перцептрон.	2
4	Нейронна мережа Хопфілда.	2
5	Нейронна мережа Хемінга.	2
6	Нейронна мережа когнітрон.	2
7	Нейронна мережа неокогнітрон.	2
8	Системи розпізнавання образів. Компютерний зір.	2
9	Класичні технології штучного інтелекту – програмна реалізація. Архітектура нейромереж.	2
	Генетичні алгоритми.
10	Ланцюги Маркова	2
11	Алгоритм мурахи	2
12	Алгоритм відпалу	2
13	Представлення та використання знань у СШІ. Експертні системи.	2
	Представлення знань
14	Представлення та використання знань у СШІ. Сфера застосування та	2
	перспективи розвитку експертних систем. Експертні системи, засновані
	на правилах. Правила як процедурні знання
15	Представлення та використання знань у СШІ. Системи підтримки	2
	прийняття рішень.
16	Представлення та використання знань у СШІ. Принципи комп’ютерної	2
	підтримки прийняття рішень. Етапи процесу прийняття рішення
	Разом:	32

6. Самостійна робота студента

Зміст самостійної (у тому числі індивідуальної) роботи

Самостійна робота студентів денної форми навчання полягає у систематичному опрацюванні теоретичного й програмного матеріалу, підготовці до виконання і захисту лабораторного практикуму, підготовці до проміжних та модульних контрольних робіт, ознайомлення з дослідницькими програмами на базі ШІ.

Самостійна робота виконується студентами за такими напрямками:

1. Оволодіння теоретичними основами курсу – робота над конспектом і підручниками.

2. Підготовка до лекцій і лабораторних занять, виконання індивідуальних завдань, підготовка до захисту лабораторних робіт, підготовка до тематичних опитувань та модульних контрольних робіт, підготовка до семінарських занять.

3. Оволодіння поглибленими знаннями з дисципліни.

4. Поглиблене вивчення сучасних програмних систем на базі ШІ.

Зміст семінарських занять студентів денної форми навчання

Номер тижня	Теми семінарських занять	К-ть годин
	Восьмий семестр
1-2	Тема 1. Штучний інтелект та інтегровані комп'ютеризовані системи	2
3-4	Тема 2. Експертні системи у гнучких комп'ютерно-інтегрованих системах	2
5-6	Тема 3. Моделі подання знань у експертних системах	2
7-8	Тема 4. Комбіновані інтелектуальні системи	4
	Разом:	10

Оволодіння поглибленими знаннями з дисципліни – рекомендована тематика:

• Поняття штучного інтелекту.

• Поняття інтелектуальної системи (ІС) та інтелектуальної задачі (ІЗ).

• Практичне ознайомлення з дослідницькими програмами на базі ШІ.

• Дослідження демонстраційних програмних продуктів.

• Способи подання ІЗ, їхні вимоги та недоліки.

• Пошук рішень ІЗ у просторі станів. Методи «сліпого» та евристичного пошуку.

• Методи пошуку ІЗ у разі зведення задач до сукупності підзадач.

• Вступ до нейронних мереж. Моделювання роботи нейрона.

• Розробка нейронної мережі перцептрона.

• Дослідження роботи нейромережі Хопфілда

• Розробка нейронної мережі Хопфілда (чи Хемінга).

• Розробка нейронної мережі когнітрон (чи неокогнітрон).

• Знання та моделі представлення знань у СШІ.

• Продукційні моделі представлення знань.

• Управління пошуком рішень у продукційних системах.

• Розробка системи розпізнавання образів.

• Семантичні сітки (СС): основні поняття, типи, способи опису та логічне виведення на СС.

• Фрейми: основні поняття, структура фрейма. Фреймові системи.

• Експертні системи (ЕС): призначення та принципи побудови; узагальнена архітектура; класи задач, які вирішуються за допомогою ЕС.

• Розробка ЕС: етапи розробки; придбання знань; пошук та пояснення рішень. Інженерія знань. Практична реалізація ЕС.

• Сучасні тенденції та підходи до створення СШІ.

• Сучасні програми та інструментальні засоби створення СШІ. Мов функціонального та логічного програмування.

• Онтологічний підхід до представлення та інтеграції знань у розподілених інформаційних середовищах типу Інтернент.

• Класичні технології штучного інтелекту. Генетичні алгоритми. Ланцюги Маркова. Алгоритм мурахі. Алгоритм відпалу.

Машинне навчання.

• Глибоке навчання

• Обробка природньої мови

• Комп’ютерний зір.

Політика та контроль

7. Політика навчальної дисципліни (освітнього компонента)

Технології навчання

Процес навчання з дисципліни ґрунтується на використанні традиційних та сучасних технологій, зокрема: лекції (з використанням методів проблемного навчання і візуалізації); лабораторні заняття (з використанням методів комп’ютерного моделювання, майстер-класів, практикумів), самостійна робота і мають за мету – формування у студентів теоретичних та практичних знань з теорії баз даних, вивчення прикладних програмних систем для керування базами даних, формування практичних навиків для роботи з великими об’ємами інформації.

Методи контролю

Поточний контроль здійснюється під час лекційних та лабораторних занять, а також у дні проведення контрольних заходів, встановлених робочою програмою і графіком навчального процесу. При цьому використовуються такі методи поточного контролю:

• опитування перед допуском до лабораторного заняття;

• захист лабораторного практикуму;

• написання проміжних контрольних робіт навчального модулю;

• тематичне контрольне опитування;

• презентація розроблених застосунків на базі ШІ;

• усне опитування з метою перевірки рівня теоретичних знань (колоквіум).

• доповіді за темами семінарів;

При виведенні підсумкової семестрової оцінки враховуються результати як поточного контролю, так і підсумкових контрольних заходів, який проводиться у вигляді контрольної роботи з тематичних модулів матеріалу дисципліни. Студент, який набрав позитивний середньозважений бал за поточну роботу і не здав підсумковий контрольний захід (залік), вважається невстигаючим.

Оцінювання результатів навчання студентів у семестрі

Кожний вид роботи з дисципліни оцінюється за чотирибальною шкалою. Семестрова підсумкова оцінка визначається як середньозважена з усіх видів навчальної роботи , виконаних і зданих позитивно з урахуванням коефіцієнта вагомості. Вагові коефіцієнти змінюються залежно від структури дисципліни і важливості окремих видів її робіт.

Оцінка, яка виставляється за лабораторне заняття, складається з таких елементів: усне опитування студентів перед допуском до виконання лабораторної роботи; знання теоретичного матеріалу з теми; вільне володіння студентом спеціальною термінологією і уміння професійно обґрунтувати прийняті рішення; своєчасний захист лабораторної роботи. У кінці 8 семестру студент має здати колоквіум.

Термін захисту лабораторної роботи вважається своєчасним, якщо студент захистив її на наступному після виконання роботи занятті. Пропущене лабораторне заняття студент зобов’язаний відпрацювати в лабораторіях кафедри у встановлений викладачем термін.

Засвоєння студентом теоретичного матеріалу з дисципліни оцінюється при написанні контрольних робіт та здачі колоквіуму.

Таблиця оцінювання (визначення рейтингу) навчальної діяльності студентів

Поточний та модульний контроль	Самостійна	ІНДЗ	Заохочувальні бали (затверджені Вченою радою Університету)	РАЗОМ – 100 балів
Семінарськізаняття, лабораторний практикум	Залік по модулю
		робота
		студента
	100 балів
(8*5 + 5 + 5) * К(20) 10

Система нарахування рейтингових балів та критерії оцінювання студентів

№ з/п	Види робіт. Критерії оцінювання знань студентів	Бали рейтингу	Максимальна кількість балів
Бали поточної успішності за участь у семінарських заняттях
Критерії оцінювання	5 балів
- зміст питання семінарського заняття розкритий повністю та (або) відповіді на питання в процесі обговорення є обґрунтованими, студент демонструє вміння на підставі аналізу літератури, а також узагальнення практики і сучасних наукових досліджень, робити аналітичні висновки з проблем дисципліни.	5
- зміст питання семінарського заняття розкритий повністю та (або) відповіді на питання в процесі обговорення є обґрунтованими.	4
- зміст питання семінарського заняття розкритий повністю, але з незначними недоліками та (або) в процесі обговорення студент допускає неточності.	3
- зміст питання семінарського заняття розкритий частково, або зміст питання семінарського заняття розкритий не повністю, з суттєвими недоліками; відповіді на питання в процесі обговорення є малообґрунтованими.	2
- зміст питання семінарського заняття розкритий частково із суттєвими недоліками, або не розкритий взагалі та студент не приймав участі в процесі обговорення.	0-1

Самостійна робота студентів (СРС)
Критерії оцінювання	5 балів
Робота виконана у зазначений термін (за розкладом), у повному обсязі, без помилок, студент демонструє вміння на підставі аналізу літератури, а також узагальнення практики і сучасних наукових досліджень, робити аналітичні висновки з проблем дисципліни	5
Робота виконана у повному обсязі, без помилок	4
Робота виконана у повному обсязі, але містить незначні помилки	3
Робота виконана у неповному обсязі, але правильно або у повному обсязі, при наявності значних помилок	2
Робота не виконана або виконана не правильно	0-1
Індивідуальна робота студента (ІРС)
Критерії оцінювання	5 балів
Робота глибоко розкриває суть проблеми, відображає результати досліджень і власну позицію автора	5
Робота глибоко розкриває суть проблеми, відображає результати досліджень, проте містить певні неточності	4
Робота частково розкриває суть проблеми, і не повністю відображає результати досліджень	3
Робота має компілятивний характер, не розкриває суть проблеми	2
Робота не виконана	0

Шкала оцінювання успішності студентів за результатами підсумкового контролю

Оцінка за шкалою ECTS	Оцінка в балах	Оцінка за національною шкалою
		Екзамен, диференційований залік	Залік
A	90 – 100	5	відмінно	зараховано
B	81 – 89	4	дуже добре
C	71 – 80		добре
D	61 – 70	3	задовільно
E	51 – 60		достатньо
FX	21 – 50	2	незадовільно	незарахована
F	0 – 20	2	незадовільно (без права перездачі)	незарахована (без права перездачі)

8. Методичне забезпечення навчальної дисципліни

Методичне забезпечення та наукове забезпечення кредитно-модульної системи організації навчального процесу з навчальної дисципліни “Технології штучного інтелекту»:

• силабус дисципліни;

• конспект лекцій;

• теми рефератів семінарських занять;

• контрольні запитання для поточної перевірки знань;

• індивідуальні завдання (ІЗ);

• завдання для проведення модульного контролю;

• методичні матеріали для виконання лабораторного практикуму.

Примітки:

1. Силабус дисципліни є нормативним документом вищого навчального закладу і містить виклад конкретного змісту навчальної дисципліни, послідовність, організаційні форми її вивчення та їх обсяг, визначає форми та засоби поточного і підсумкового контролю.

2. Силабус дисципліни розробляється лектором.

3. Силабус дисципліни розглядається і ухвалюється на засіданні кафедри, підписується завідувачем кафедри, розглядається і ухвалюється Вченою радою Факультету, затверджується деканом Факультету.

Питання для самоконтролю здобутих студентами знань

1. Поняття штучного інтелекту.

2. Поняття інтелектуальної системи (ІС) та інтелектуальної задачі (ІЗ).

3. Способи подання ІЗ, їхні вимоги та недоліки.

4. Три області застосування штучного інтелекту.

5. Пошук рішень ІЗ у просторі станів. Методи «сліпого» та евристичного пошуку.

6. Методи пошуку ІЗ у разі зведення задач до сукупності підзадач.

7. Парадигма моделювання роботи нейрона.

8. Структура та алгоритм роботи нейрона.

9. Описати нейронну мережу перцептрон: архітектура (схема і опис).

10. Описати нейронну мережу Хопфілда: алгоритм навчання.

11. Описати нейронну мережу неокогнітрон: область і особливості застосування.

12. Три інструменти прийняття рішень в людини.

13. Описати нейронну мережу Хопфілда: архітектура (схема і опис).

14. Описати нейронну мережу Хемінга: алгоритм навчання.

15. Описати нейронну мережу когнітрон: область і особливості застосування.

16. Види функцій активації.

17. Описати нейронну мережу Хемінга: архітектура (схема і опис).

18. Описати нейронну мережу перцептрон: область і особливості застосування.

19. Поняття образу, зразка, відображення зразка та розпізнавання.

20. Описати нейронну мережу когнітрон: архітектура (схема і опис).

21. Описати нейронну мережу перцептрон: алгоритм навчання.

22. Описати нейронну мережу Хопфілда: область і особливості застосування.

23. Опис функції активації: порогова.

24. Описати нейронну мережу неокогнітрон: архітектура (схема і опис).

25. Описати нейронну мережу Хопфілда: алгоритм розпізнавання.

26. Описати нейронну мережу Хемінга: область і особливості застосування.

27. Поняття образу, зразка, відображення зразка та розпізнавання.

28. Описати нейронну мережу перцептрон: архітектура (схема і опис)

29. Описати нейронну мережу неокогнітрон: алгоритм навчання.

30. Описати нейронну мережу Хемінга: переваги і недоліки.

31. Опис функції активації: сигмоїда.

32. Описати нейронну мережу Хопфілда: архітектура (схема і опис).

33. Описати нейронну мережу перцептрон: алгоритм розпізнавання.

34. Описати нейронну мережу когнітрон: переваги і недоліки.

35. Поняття образу, зразка, відображення зразка та розпізнавання.

36. Описати нейронну мережу Хемінга: архітектура (схема і опис).

37. Описати нейронну мережу неокогнітрон: алгоритм розпізнавання.

38. Описати нейронну мережу перцептрон: переваги і недоліки.

39. Опис функції активації: лінійна обмежена.

40. Описати нейронну мережу когнітрон: архітектура (схема і опис).

41. Описати нейронну мережу Хемінга: алгоритм розпізнавання.

42. Описати нейронну мережу перцептрон: переваги і недоліки.

43. Поняття образу, зразка, відображення зразка та розпізнавання.

44. Описати нейронну мережу неокогнітрон: архітектура (схема і опис).

45. Описати нейронну мережу Хопфілда: алгоритм розпізнавання.

46. Описати нейронну мережу Хемінга: переваги і недоліки.

47. Опис функції активації: гіперболічний тангенс.

48. Описати нейронну мережу перцептрон: архітектура (схема і опис).

49. Описати нейронну мережу неокогнітрон: алгоритм розпізнавання.

50. Описати нейронну мережу Хопфілда: переваги і недоліки.

51. Способи иредставлення знань у СШІ

52. Знання та моделі представлення знань у СШІ

53. Продукційні моделі представлення знань

54. Управління пошуком рішень у продукційних системах

55. Вирішувані проблеми, засновані на знаннях

56. Семантичні сітки (СС): основні поняття, типи, способи опису та

    логічне виведення на СС

57. Фрейми: основні поняття, структура фрейма.

58. Фреймові системи – загальні положення

59. Експертні системи (ЕС): призначення та принципи побудови;

    узагальнена архітектура;

60. Експертні системи: класи задач, які вирішуються за допомогою ЕС

61. Розробка ЕС: етапи розробки; придбання знань; пошук та пояснення

    рішень. Інженерія знань

62. Сучасні тенденції та підходи до створення СШІ

63. Онтологічний підхід до представлення та інтеграції знань у

    розподілених інформаційних середовищах типу Інтернет.

64. Сучасні програми та інструментальні засоби створення СШІ

Додаткова інформація з дисципліни (освітнього компонента)

Робочу програму навчальної дисципліни (Силабус):

Складено ст. викладач, Польшакова Ольга Михайлівна

Ухвалено кафедрою ІСТ (протокол № 1 від 30.08.2021 р.)

Погоджено Методичною комісією факультету (протокол № 1 від 30.08.2021 р.)