Теорія інтелектуальних систем
Спеціальність: Комп'ютерні системи та мережі
Код дисципліни: 7.123.01.O.004
Кількість кредитів: 4.00
Кафедра: Електронні обчислювальні машини
Лектор: к.т.н., доц. каф. ЕОМ Бочкарьов Олексій Юрійович
Семестр: 1 семестр
Форма навчання: денна
Завдання: Загальні компетентності:
ЗК5. Здатність генерувати нові ідеї (креативність).
ЗК6. Здатність виявляти, ставити та вирішувати проблеми.
Фахові компетентності:
СК5. Здатність будувати архітектуру та створювати системне і прикладне програмне забезпечення комп’ютерних систем та мереж.
СК6. Здатність використовувати та впроваджувати нові технології, включаючи технології розумних, мобільних, зелених і безпечних обчислень, брати участь в модернізації та реконструкції комп’ютерних систем та мереж, різноманітних вбудованих і розподілених додатків, зокрема з метою підвищення їх ефективності.
СК7. Здатність досліджувати, розробляти та обирати технології створення великих і надвеликих систем.
Результати навчання: Результати навчання відповідно до освітньої програми:
РН4. Застосовувати спеціалізовані концептуальні знання, що включають сучасні наукові здобутки у сфері комп’ютерної інженерії, необхідні для професійної діяльності, оригінального мислення та проведення досліджень, критичного осмислення проблем інформаційних технологій та на межі галузей знань.
РН5. Розробляти і реалізовувати проекти у сфері комп’ютерної інженерії та дотичні до неї міждисциплінарні проєкти з урахуванням інженерних, соціальних, економічних, правових та інших аспектів.
РН9. Розробляти програмне забезпечення для вбудованих і розподілених застосувань, мобільних і гібридних систем.
Результати вивчення дисципліни:
- знати принципи побудови автономних інтелектуальних систем та вміти застосовувати їх при побудові сучасних інформаційних систем;
- знати загальні принципи функціонування автономних інтелектуальних систем;
- знати методи машинного навчання та способи їх використання в роботі автономних інтелектуальних систем;
- мати практичні навички по створенню та налагодженню роботи автономних інтелектуальних систем;
- вміти досліджувати, проектувати та реалізувати автономні інтелектуальні системи на основі методів машинного навчання, принципів адаптивного управління та принципів самоорганізації;
- мати практичні навички роботи з методами машинного навчання, зокрема з методами навчання з підкріпленням.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Попередні: Комп’ютерна логіка, Алгоритми та методи обчислень.
Супутні: Технології штучного інтелекту в комп’ютерних та кіберфізичних системах.
Короткий зміст навчальної програми: Дисципліна “Теорія інтелектуальних систем” ставить на меті виробити у студентів систематизоване уявлення про основні положення та принципи теорії інтелектуальних систем та підходи до практичної реалізації автономних інтелектуальних систем. В результаті освоєння учбового матеріалу дисципліни студенти повинні розуміти концептуальні питання та багатогранність проблеми розробки та організації роботи автономних інтелектуальних систем, знати проблеми та методи, пов’язані із застосуванням теорії інтелектуальних систем для вірішення конкретних задач побудови автономних розподілених систем, вміти створювати, конфігурувати та налагоджувати роботу автономних інтелектуальних систем. Для освоєння даної дисципліни необхідне знання таких дисциплін: “Комп’ютерна логіка”, “Алгоритми та методи обчислень”.
Опис: 1. Інтелектуальна система. Поняття штучного інтелекту. Основні напрямки досліджень в області штучного інтелекту. Основні концепції штучного інтелекту. Використання методів штучного інтелекту для побудови інтелектуальних систем. Основні ідеї та визначення ТІС. Поняття інтелектуальної системи. Проблема розробки інтелектуальних систем. Прийняття рішень в умовах невизначенності.
2. Mоделювання простих форм цілеспрямованої поведінки. Математичне моделювання простих форм цілеспрямованої поведінки. Стаціонарне випадкове середовище. Автомати, що навчаються (learning automata). Асимптотично-оптимальні послідовності симетричних автоматів, що навчаються. Випадкове середовище з перемиканням станів. Поведінка автоматів, що навчаються, в випадкових середовищах з перемиканням станів. Каскад двох автоматів з лінійною тактикою. Стохастичні автомати зі змінною структурою. Колективна поведінка автоматів, що навчаються.
3. Навчання з підкріпленням (Reinforcement Learning). Навчання обчислювальних машин (machine learning). Класифікація методів навчання машин (machine learning). Навчання з підкріпленням (reinforcement learning). Постановка узагальненої задачі навчання з підкріпленням. Класифікація задач навчання з підкріпленням. Однофакторне випадкове середовище (Мulti-armed bandit problem). Метод зваженної оцінки дій (action-value method). Узагальнена форма методів зваженої оцінки дій. Метод експоненціального (зваженого по давнині) усереднення. Метод нормованої експоненціальної функції (softmax action selection). Метод на основі стохастичного градієнтного підйому. Метод верхньої довірчої межі (Upper-Confidence-Bound action selection). Порівняння ефективності методів навчання з підкріпленням в однофакторному випадковому середовищі. Однофакторне випадкове середовище з контекстною залежністю (Contextual bandit). Марківський процес прийняття рішень (Markov Decision Process). Пошук оптимальної стратегії для відомої моделі MDP. Методи навчання з підкріпленням на основі часових різниць (Temporal difference learning). Метод адаптивної евристичної оцінки (Adaptive Heuristic Critic). Метод навчання з підкріпленням SARSA. Метод навчання з підкріпленням Q-learning.
4. Архітектура інтелектуального агента. Поняття архітектури інтелектуального агента. Архітектури агентів на основі моделей логічного мислення. Архітектура інтегрального підпорядкування (Р.Брукс). Порівняння когнітивних та реактивних архітектур інтелектуальних агентів. Комбіновані архітектури інтелектуальних агентів. Напрямки розвитку архітектур інтелектуальних агентів.
5. Багатоагентні системи (Multi-agent systems). Поняття багатоагентної системи. Концептуальна модель багатоагентної системи. Алгоритмічне забезпечення багатоагентних систем. Механізми координації колективної поведінки інтелектуальних агентів. Навчання з підкріпленням в багатоагентних системах. Проблема розпізнавання стану та інтерпретації відгуку середовища. Класифікація задач колективного навчання з підкріпленням. Моделі колективного навчання. Інформаційна взаємодія агентів в процесі навчання. Моделі інформаційної взаємодії інтелектуальних агентів. Навчання розподілу обов'язків в багатоагентній системі (learning organizational roles).
6. Розробка автономних інтелектуальних систем на основі принципів самоорганізації. Поняття самоорганізації. Способи оцінки процесу самоорганізації. Оцінка процесу самоорганізації на основі шенонівської ентропії. Модель процесу самоорганізації Гайнца фон Фьорстера. Самоорганізація в автономних децентралізованих системах. Моделі структурної самоорганізації.
Методи та критерії оцінювання: Письмові звіти з лабораторних робіт, усне опитування (40%). Підсумковий контроль (60 %, контрольних захід, екзамен): письмово-усна форма (60%).
Критерії оцінювання результатів навчання: Семестрова оцінка виставляється за умови виконання студентом навчального плану. Семестрова оцінка формується з результатів поточного контролю виконання лабораторних робіт і семестрового тестування. Результат семестрового тестування є добутком результату семестрового тесту у віртуальному навчальному середовищі та коефіцієнта лекційних тестів у віртуальному навчальному середовищі. Максимальна оцінка в балах - 100. Поточний контроль (лаб. Роботи) - 40. Екзаменаційний контроль:
письмова компонента - 50, усна компонента - 10.
Порядок та критерії виставляння балів та оцінок: 100–88 балів – («відмінно») виставляється за високий рівень знань (допускаються деякі неточності) навчального матеріалу компонента, що міститься в основних і додаткових рекомендованих літературних джерелах, вміння аналізувати явища, які вивчаються, у їхньому взаємозв’язку і роз витку, чітко, лаконічно, логічно, послідовно відповідати на поставлені запитання, вміння застосовувати теоретичні положення під час розв’язання практичних задач; 87–71 бал – («добре») виставляється за загалом правильне розуміння навчального матеріалу компонента, включаючи розрахунки , аргументовані відповіді на поставлені запитання, які, однак, містять певні (неістотні) недоліки, за вміння застосовувати теоретичні положення під час розв’язання практичних задач; 70 – 50 балів – («задовільно») виставляється за слабкі знання навчального матеріалу компонента, неточні або мало аргументовані відповіді, з порушенням послідовності викладення, за слабке застосування теоретичних положень під час розв’язання практичних задач; 49–26 балів – («не атестований» з можливістю повторного складання семестрового контролю) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння застосувати теоретичні положення під час розв’язання практичних задач; 25–00 балів – («незадовільно» з обов’язковим повторним вивченням) виставляється за незнання значної частини навчального матеріалу компонента, істотні помилки у відповідях на запитання, невміння орієнтуватися під час розв’язання практичних задач, незнання основних фундаментальних положень.
Рекомендована література: 1. Stuart Russell, Peter Norvig, Artificial Intelligence: A Modern Approach, 4th edition, Pearson, 2020. - 1136 p.
2. Richard S. Sutton, Andrew G. Barto, Reinforcement Learning: An Introduction, A Bradford Book, 2 ed., MIT Press, Cambridge, MA, 2018. - 322 p.
3. Multiagent Systems, by Gerhard Weiss (Editor), 2nd edition, The MIT Press, 2013. - 920 p.
4. Adrian A. Hopgood, Intelligent Systems for Engineers and Scientists: A Practical Guide to Artificial Intelligence, 4th ed., CRC Press, 2021. – 515 p.
5. Narendra, K. and Thathachar, M. A. L., Learning Automata: An Introduction, 2nd ed., Dover Publications, 2013. - 496 p.
6. K. Najim, A.S. Poznyak, Learning Automata: Theory and Applications, Elsevier, 2014. – 236 p.
7. Chowdhary, Chiranji Lal, Intelligent systems: advances in biometric systems, soft computing, image processing, and data analytics, Apple Academic Press, 2020. – 320 p.
8. Maxim Lapan, Deep Reinforcement Learning Hands-On, 2nd edition, Packt Publishing, 2020. - 798 p.
9. Richard E. Neapolitan, Xia Jiang, Artificial Intelligence: With an Introduction to Machine Learning, Chapman and Hall, 2018. - 480 p.
10. Laurence Moroney, AI and Machine Learning for Coders: A Programmer's Guide to Artificial Intelligence, O'Reilly Media, 2020. - 390 p.
11. Leon Reznik, Intelligent Security Systems: How Artificial Intelligence, Machine Learning and Data Science Work For and Against Computer Security, Wiley-IEEE Press, 2021. – 371 p.
12. Artificial Intelligence-based Internet of Things Systems, Souvik Pal, Debashis De, Rajkumar Buyya (eds.), Springer, 2022. – 513 p.
Уніфікований додаток: Національний університет «Львівська політехніка» забезпечує реалізацію права осіб з інвалідністю на здобуття вищої освіти. Інклюзивні освітні послуги надає Служба доступності до можливостей навчання «Без обмежень», метою діяльності якої є забезпечення постійного індивідуального супроводу навчального процесу студентів з інвалідністю та хронічними захворюваннями. Важливим інструментом імплементації інклюзивної освітньої політики в Університеті є Програма підвищення кваліфікації науково-педагогічних працівників та навчально-допоміжного персоналу у сфері соціальної інклюзії та інклюзивної освіти. Звертатися за адресою:
вул. Карпінського, 2/4, І-й н.к., кімн. 112
E-mail: nolimits@lpnu.ua
Websites: https://lpnu.ua/nolimits https://lpnu.ua/integration
Академічна доброчесність: Політика щодо академічної доброчесності учасників освітнього процесу формується на основі дотримання принципів академічної доброчесності з урахуванням норм «Положення про академічну доброчесність у Національному університеті «Львівська політехніка» (затверджене вченою радою університету від 20.06.2017 р., протокол № 35).