Основи штучного інтелекту

Спеціальність: Комп'ютерні науки
Код дисципліни: 6.122.00.O.093
Кількість кредитів: 6.00
Кафедра: Автоматизовані системи управління
Лектор: к.т.н., доцент Батюк Анатолій Євгенович
Семестр: 5 семестр
Форма навчання: денна
Результати навчання: Здатність до абстрактного мислення, аналізу та синтезу. Здатність застосовувати знання у практичних ситуаціях. Знання та розуміння предметної області та розуміння професійної діяльності. Здатність до пошуку, оброблення та аналізу інформації з різних джерел. Здатність генерувати нові ідеї (креативність). Здатність працювати в команді. Здатність приймати обґрунтовані рішення.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: пререквізит: Математичні методи дослідження операцій кореквізит: Інтелектуальний аналіз даних
Короткий зміст навчальної програми: Основні напрямки досліджень в області ШІ; поняття знання і його відмінність від даних; особливості знань; моделі представлення знань: продукційна модель; семантичні мережі; фрейми; формальні логічні моделі; виведення на знаннях; класифікація рівнів розуміння; основні відомості про розпізнавання образів; основні задачі побудови систем розпізнавання; модель штучного нейрона; активаційні функції нейронів; призначення, структура і принципи функціонування експертних систем.
Методи та критерії оцінювання: • Поточний контроль (45%): письмові звіти з лабораторних робіт, усне опитування • Підсумковий контроль (55%, екзамен): тестування (40%), письмово-усна форма (15%)
Рекомендована література: • Ткаченко Р.О., Кустра Н.О., Павлюк О.М., Поліщук У.В. Засоби штучного інтелекту: Навч. посіб. – Львів: Видавн. Львівської політехніки, 2014, - 204 ст. • Универсальный искусственный интелект и экспертные системы / В.Н. Ручкин, В.А. Фулин. – СПб.: БХВ-Петербург, 2009. – 240 с.: ил. • Рассел С., Норвиг П. Искусственный интелект: современный подход, 2–е изд.: Пер. С англ.–М.: Издательский дом “Вильямс”, 2006.–1408 с.:ил.

Основи штучного інтелекту

Спеціальність: Комп'ютерні науки
Код дисципліни: 6.122.00.O.094
Кількість кредитів: 6.00
Кафедра: Системи автоматизованого проектування
Лектор: Проф. каф САП, д.т.н. Я.І.Соколовський, Старший викладач каф.САП Р.І.Головацький.
Семестр: 5 семестр
Форма навчання: денна
Результати навчання: Основною метою викладання даної дисципліни є надати студентам систематизоване представлення та основні знання про системи штучного інтелекту, підходи та методи, які використовуються при їх створенні, особливості створення сучасних систем ШІ, а також сформувати навички практичного використання набутих знань для розв’язування прикладних задач. Основні завдання вивчення дисципліни – отримання студентами знань щодо загального стану в галузі штучного інтелекту, методів і засобів, які використовуються при створенні систем штучного інтелекту, сучасних підходів до їх створення та формування навичок їх практичного використання. Вивчення навчальної дисципліни передбачає формування та розвиток у студентів компетентностей:
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Попередні навчальні дисципліни: 1. Математичні задачі дослідження операцій. 2. Інтелектуальний аналіз даних. Супутні і наступні навчальні дисципліни: 1. Методи синтезу та оптимізації. 2. Дискретні моделі у САПР.
Короткий зміст навчальної програми: Лекція 1. “Основні поняття штучного інтелекту”. Філософські аспекти штучного інтелекту. Поняття штучного інтелекту. Інтелектуальна система та система штучного інтелекту. Напрямки досліджень СШІ. Основні сфери застосування ШІ. Інтелектуальна задача. Технологія інтелектуальних інформаційних систем. Підходи до побудови систем штучного інтелекту. Лекція №2. “Методти пошуку рішень у системах ШІ”. Способи подання інтелектуальних задач. Поняття агента у СШІ. Подання задач в просторі станів. Зведення задачі до підзадач. Метод редукції. Подання задач у вигляді теорем. Пошук рішень інтелектуальних задач у просторі станів. Класифікація методів пошуку ІЗ у просторі станів. Неінформативні методи пошуку рішень в просторі станів. Пошук в глибину. Пошук в ширину. Методи інформативного пошуку. Лекція №3. “Пошук рішень ІЗ у просторі станів. Методи інформативного пошуку”. Стратегії інформативного пошуку. Інформативний пошук. Алгоритм А*. Модифікації алгоритму А*. Методи пошуку рішень ІЗ для зведення задач до сукупності підзадач. Лекція №4. “Методи класифікації в задачах розпізнавання образів”. Основні поняття розпізнавання образів. Застосування задач розпізнавання образів. Постановка задач класифікації.Поняття класу та об’єкта. Математична постановка задачі класифікації. Гіпотеза компактності. Метричні методи задачі класифікації. Деякі метрики відстаней. Метод найближчого сусіда та його модифікації. Метод класифікації на підставі порівняння з еталоном. Лекція №5. “Методи та алгоритми класифікації”. Метод класифікації на основі дерева рішень. Алгоритм С4.5. Наївний байєсівський класифікатор. Алгоритм мультиноміальної моделі для текстових даних. Метод опорних векторів. Алгоритм лінійного класифікатора. Модифікації методу опорних векторів. Оцінка якості класифікації. Лекція №6. “Методи та алгоритми кластеризації”. Основні поняття кластерного аналізу. Види методів кластерного аналізу. Формалізація задачі кластерного аналізу. Вибір маштабу та відстані між кластерами. Формула Ланса – Уільямса. Алгоритм ієрархічного методу. Алгоритм поділу Макнаутона – Сміта. Лекція №7. “Методи та алгоритми неієрархічної кластеризації”. Пороговий алгоритм кластеризації. Алгоритм максимінної відстані. Метод К-середніх та модифікації. Алгоритм ISODATA. Методи FOREL. Каркасні дерева. Алгоритм пошуку остовного дерева в глибину. Алгоритм пошуку остовного дерева в ширину. Каркасні дерева мінімальної ваги. Алгоритм Пріма. Графові методи кластеризації. Метод KRAB. Якість кластеризації. Функціонали якості кластеризації. Лекція №8. “Основи штучних нейронних мереж”. Загальна характеристика нейронних мереж. Моделі штучних нейроелементiв. Функції активації нейронів. Класифікація нейронних мереж. Топологія штучних нейронних мереж. Моделі штучних нейронів. Етапи проектування нейронної мережі. Лекція №9. “Методи навчання штучних нейронних мереж”. Парадигми навчання штучних нейронних мереж. Штучний нейрон. Алгоритм функціонування штучного нейрона. Правило Хебба. Алгоритми навчання на основі окремих нейронів. Нейронна мережа Хебба. Алгоритм настроювання ваг зв'язків нейрона з використанням правила Хебба. Навчання одношарових нейромереж за ?-правилом. Навчання багатошарових ШНМ. Алгоритм зворотного поширення помилки. Лекція №10. “Персептрон Розенблатта. Мережа АДАЛІН та алгоритми навчання”. Перцептрон Розенблатта. Простий перцептрон. Елементарний перцептрон. Матриця взаємодії перцептрона. Архітектура нейрона типу персептрон. Модель мережі на основі одношарового перцептрона. Принципи функціонування однонейронного перцептрона. Алгоритм навчання одношарового перцептрона. Застосування багатошарового перцептрона для задач класифікації. Мережа АДАЛІН. Алгоритм навчання LMS. Алгоритм зворотного поширення помилки для навчання багатошарових ШНМ. Лекція №11. “Методи та моделі представлення знань”. Дані та знання. Моделі представлення знань Класифікація моделей представлення знань. Логіко-алгебраїчні моделі представлення знань. Продукційні моделі представлення знань Семантичні мережі. Фрейми. Лекція №12. “Генетичні алгоритми”. Основні поняття генетичних алгоритмів. Еволюційний процес, еволюційне моделювання, переваги еволюційних обчислень. Приклади застосувань генетичних алгоритмів, їх переваги та недоліки. Схема функціонування генетичних алгоритмів. Основні види операторів генетичних алгоритмів. Види відбору індивідуумів в генетичних алгоритмах. Основні оператори схрещування в ГА. Основні оператори мутації в ГА. Кодування в генетичних алгоритмах. Приклади використання генетичних алгоритмів. Прийоми застосування генетичних алгоритмів. Лекція №13. “Системи Fuzzy Logic”. Основи нечіткої інформації. Математичні основи нечітких систем. Нечіткість та ймовірність. Операції на нечітких множинах. Основні типи функцій приналежності. Нечітка імплікація. Алгебра нечітких чисел. Лекція №14. “Моделі систем Fuzzy Logic”. Нечіткі величини. Нечіткі числа. Нечіткі змінні. Лінгвістичні змінні. Нечіткі правила виводу. Основні етапи нечіткого виводу. Алгоритм нечіткого виводу Мамдані. Лекція №15. “Експертні системи”. Експертні системи – системи, що базуються на знаннях. Види систем та їх класифікація. Специфіка експертних системи. Засоби розробки експертних систем.
Методи та критерії оцінювання: Для діагностики знань використовується поточний контроль знань, який є органічною частиною всього педагогічного процесу і слугує засобом виявлення ступеня сприйняття (засвоєння) навчального матеріалу. Основні завдання: • виявити обсяг, глибину і якість сприйняття (засвоєння) матеріалу, що вивчається; • визначити недоліки у знаннях і намітити шляхи їх усунення; • виявити ступінь відповідальності студентів і ставлення їх до роботи, встановивши причини, які перешкоджають їх роботі; • виявити рівень опанування навиків самостійної роботи і намітити шляхи і засоби їх розвитку; • стимулювати інтерес студентів до предмета і їх активність у пізнанні. Головне завдання поточного контролю - допомогти студентам організувати свою роботу, навчитись самостійно, відповідально і систематично вивчати усі навчальні матеріали. Також поточний контроль має навчити студентів готуватись до перевірки з першого дня занять і кожного дня, а не наприкінці семестру або навчального року. Критерії оцінювання результатів навчання студентів: Поточний кнтроль: Лабораторні заняття: 8л.р.*5балів=40балів. Екзаменаційний контроль: Письмова компонента: 40 балів. Усна компонента: 20 балів. Всього: 40+20=60 балів. Разом за дисципліну: 40+60=100 балів.
Рекомендована література: Методи та системи штучного інтелекту: навч. посіб. / укл. Д.В. Лубко, С.В. Шаров. – Мелітополь: ФОП Однорог Т.В., 2019. – 264 с. 2. Глибовець М.М., Гулаєва Н.М. Еволюційні алгоритми: підручник. — Київ: НаУКМА, 2013. – 828 с 3. Субботін С.О. Нейронні мережі: навч. посібник / С.О. Субботін, А.О. Олійник; за ред. С.О. Субботіна. – Запоріжжя : ЗНТУ, 2014. – 132 с. 4. Тимощук П.В. Штучні нейронні мережі. Навчальний посібник / Львів: Видавництво Львівської Політехніки, 2011. – 444 с. 5. Системи штучного інтелекту: навч. посіб.: рекомендовано МОН України/ Ю. В. Нікольський, В. В. Пасічник, Ю. М. Щербина. Львів: Магнолія-2006, 2015. 6. Савченко, А. С. Методи та системи штучного інтелекту : навч. посіб. / А. С. Савченко, О. О. Синельніков. – Київ : НАУ, 2017. – 174 с. : 7. Шаховська, Н. Б. Системи штучного інтелекту : навч. посіб. / Н. Б. Шаховська, Р. М. Камінський, О. Б. Вовк. – Львів : Вид-во Львівської політехніки, 2018. – 391 с. 8. Руденко О.В. Штучні нейронні мережі: Навчальний посібник, О.В.Руденко, Є.В.Бодянський. Харків : ТОВ «Компанія СМІТ», 2016. 404 с.

Основи штучного інтелекту

Спеціальність: Комп'ютерні науки
Код дисципліни: 6.122.00.O.095
Кількість кредитів: 6.00
Кафедра: Системи штучного інтелекту
Лектор: Засоба Є.
Семестр: 5 семестр
Форма навчання: денна
Результати навчання: знати: ? здатність продемонструвати поглиблені знання принаймні в одній з областей інформаційних технологій; ? здатність продемонструвати знання та навики щодо проведення експериментів, збору даних та моделювання у предметній області; вміти: - здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою алгоритмічного та програмного забезпечення, використовуючи машинне навчання, штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації, фільтри
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Дискретна математика
Короткий зміст навчальної програми: Основні поняття інтелектуальних систем. Архітектура інтелектуальних систем. Формальне означення інтелектуальних систем. Функціональна модель інтелектуальних систем. Моделі подання знань та механізми логічного виведення. Виявлення логічних закономірностей в даних. Дерева прийняття рішень . Штучні нейронні мережі. Генетично-адаптивні алгоритми. Моделювання нечіткостей в інтелектуальних системах. Ускладнене подання знань із врахуванням фактору невизначеності . (Нечітка логіка. Нечіткі множини. Коефіцієнти впевненості. Зважування тверджень. Байесівський підхід.)
Методи та критерії оцінювання: 40 - лабораторні роботи 10 - розрахункова робота 50 - екзамен
Рекомендована література: 1. www.intuit.ru – Национальный открытый университет 2. Шитиков В.К., Мастицкий С.Э. (2017) Классификация, регрессия и другие алгоритмы Data Mining с использованием R. 351 с. – Электронная книга, адрес доступа: https://github.com/ranalytics/data-mining 3. http://itacademy.microsoftelearning.com/ - Інтерактивне навчання за програмою Microsoft IT Academy.