Metode i primjena vještačke inteligencije    (ETF RIO MPVI 5970)
 
Opće informacije
Naziv kursa Metode i primjena vještačke inteligencije
Oznaka (šifra) predmeta ETF RIO MPVI 5970
Studij ETF-B
Odsjek Računarstvo i informatika
Godina 5
Semestar 9
Tip Obavezni
Broj ECTS Bodova 7
Ukupno sati nastave 70
Broj sati predavanja 38
Broj sati vježbi 32
Broj sati tutorijala 0
Cilj kursa - Znanje i vještine koje treba postići student
Predmet ima za cilj da upozna studente sa naprednim metodama vještačke inteligencije. Polazeći od logičkog programiranja i optimizacije, metoda rezonovanja sa neizvjesnim i nekompletnim informacijama, studenti će moći jednostavnije da shvate metode automatskog učenja, mašinskog simboličnig učenja, mašinskog učenja na bazi neuronskih mreža i mašinskog učenja na bazi genetičkog programiranja. Na osnovu stečenog znanja studenti će biti spremni da modeliraju i implementiraju računarske inteligentne sisteme.
Program
1. PREGLED OBLASTI PRIMJENE VJESTACKE INTELIGENCIJE
2. PARADIGME PLANIRANJA : linearno, nelinearno i hijerarhijsko planiranje, prezentacije planiranja
3. LOGIČKO PROGRAMIRANJE I OPTIMIZACIJA: kombinatorijska optimizacija: alternativa operacionim istraživanjima, genetički algoritam, evaluacija GA, genetička optimizacija u problemima kombinatorike, primjeri primjene
4. SISTEMI BAZIRANI NA ZNANJU: pregled tehnologija sistama na bazi znanja ( ekspertnih sistema), klasične metode rezonovanja, rezonovanje sa neizvjesnim ili nekompletnim informacijama, statistički pristup, pristup na bazi fuzzy logike i fuzzy skupova, adaptivni fuzzy sistemi na bazi GA-optimizacije, primjeri primjene
5. AUTOMATSKO UČENJE: klasične metode učenja na bazi drveta odlučivanja, indukcije i dedukcije, slabe metode u teoremi dokazivanja, dokazivanje teoreme rezolucije
6. MAŠINSKO UČENJE-SIMBOLIČKI BAZIRANO: radno okruženje za učenje na bazi simbola, pretraživanje prostora, znanje i učenje, nesupervizijsko učenje
7. MAŠINSKO UČENJE NA BAZI NEURONSKIH MREŽA: uvod u vještačke neuronske mreže, supervizijsko učenje: perceptron,linearne mreže, nelinearne mreže, radijalne mreže, nesupervizijsko učenje: SOM i LVQ mreže, Rekurentne mreže, Elmanove mreže, Hopfildove mreže,
8. MAŠINSKO UČENJE NABAZI GENETIČKOG PROGRAMIRANJA: genetičko programiranje, klasifikatorski sistemi i GP, vještački život, socijalno bazirano učenje
Literatura
Obavezna literatura 1. Bilješke i slajdovi s predavanja (moci ce se preuzeti na web siteu Fakulteta).
2. Stuart J.Russel, Peter Norviq, Artificial Intelligence: A Modern Approach, Prentice Hall, 2002.
3. George F. Luger and William A. Stubblefield, Artificial Intelligence, Structures and Strategies for complex Problem SolvingAddison Wesley, 1998.
4. Neural Networks, Algorithms, Applications, an Programming Techniques, James A. Freeman, David M.Skapura, Addison-Wesley, 2001.
Dopunska literatura 1. Genetic Algorithm Toolbox, The Mathworks, 2001
2. Z.Avdagić, Vještačka inteligencija& fuzzy-neuro-genetika , Grafoart,2003.
Didaktičke metode
Kroz predavanja studenti ce se upoznati sa teorijom, zadacima i aplikativnim primjerima u okviru tematskih jedinica. Predavanja se sastoje iz teoretskog dijela, prezentacionih opisnih primjera, geneze i rješavanja određehih zadataka. Na taj nači studenti će imati podloge za primjenom izučenog gradiva u inžinjerske aplikacije. Dodatni primjeri i ispitni zadaci razmatraju se i riješavaju tokom laboratorijskih vježbi. Izvođenje laboratorijskih vježbi i izrada zadaća omogućit će studentima kontinualan rad i provjeru znanja.
Način provjere znanja
Tokom trajanja kursa student prikuplja bodove prema slijedećem sistemu:
- prisustvo satima predavanja, vježbi i tutorijala: 10 bodova, student koji više od tri puta izostane s predavanja,vježbi i/ili tutorijala ne može ostvariti bodove po ovoj osnovi;
- izrada domaćih zadaća: maksimalno 10 bodova; predviđena je izrada od 5 do 10 domaćih zadaća ravnomjerno raspoređenih tokom semestra;
- parcijalni ispiti: dva pismena parcijalna ispita, pri čemu svaki pozitivno ocijenjen parcijalni ispit donosi 20 bodova;
Student koji je tokom trajanja semestra ostvario manje od 20 bodova ponovno upisuje ovaj kurs.
Student koji je tokom trajanja semestra ostvario 40 i više bodova pristupa usmenom završnom ispitu; ovaj ispit sastoji se iz diskusije zadataka s parcijalnih ispita, domaćih zadaća i odgovora na jednostavna pitanja koja se odnose na teme kursa.
Usmeni završni ispit donosi maksimalno 40 bodova. Da bi postigao pozitivnu završnu ocjenu, student na ovom ispitu mora ostvariti minimalno 20 bodova. Student koji ne ostvari ovaj minimum pristupa usmenom dijelu popravnog ispita.
Student koji je tokom trajanja semestra ostvario 20 i više bodova, a manje od 40 bodova, pristupa popravnom ispitu. Popravni ispit struktuiran je na slijedeći način:
- pismeni dio koji je struktuiran na isti način kao i pismeni parcijalni ispit; u okviru ovog ispita student polaže zadatke iz tema za koje nije postigao prolaznu ocjenu (10 i više bodova) polažući parcijalne pismene ispite,
- usmeni dio koji je struktuiran na isti način kao usmeni dio završnog ispita.
Usmenom dijelu popravnog ispita može pristupiti student koji je nakon polaganja posmenog dijela popravnog ispita uspio stvariti ukupan skor od 40 i više bodova; ovaj skor sastoji se od bodova ostvarenih kroz: prisustvo nastavi, izradu domaćih zadaća, polaganje parcijalnih sipita i polaganje pismenog dijela popravnog ispita.
Usmeni popravni ispit donosi maksimalno 40 bodova. Da bi postigao pozitivnu završnu ocjenu student na ovom ispitu mora ostvariti minimalno 20 bodova. Student koji ne ostvari ovaj minimum ponovno upisuje ovaj kurs.
Napomene
1. U okviru vježbi studenti će koristiti, MATLAB, SIMULINK , Neural Network Toolbox, Fuzzy Toolbox i Genetic Algorithm Toolbox.