Математичні основи штучного інтелекту
Спеціальність: Прикладна математика та інформатика
Код дисципліни: 6.113.04.O.031
Кількість кредитів: 3.00
Кафедра: Прикладна математика
Лектор: Алєксєєв Владислав Ігорович, к.т.н., доц.
Семестр: 6 семестр
Форма навчання: денна
Завдання: Вивчення навчальної дисципліни передбачає формування у здобувачів освіти компетентностей:
загальні компетентності:
ЗК3 – базові знання в області інформаційних технологій, алгоритмів та їх програмної реалізації, необхідні для освоєння професійно-орієнтованих дисциплін.
ЗК5 – здатність до застосування знань на практиці.
ЗК8 – мати навички розроблення та управління проектами.
ЗК12 – уміння працювати як індивідуально, так і в команді.
ЗК13 – уміння ефективно спілкуватися на професійному та соціальному рівнях.
ЗК15 – потенціал до подальшого навчання.
фахові компетентності:
ФК2 – базові знання наукових понять, теорій та методів, необхідних для розуміння принципів збору, обробки та збереження інформації, розробки та програмної реалізації побудованих алгоритмів.
ФК4 – здатність використовувати та впроваджувати нові технології, брати участь в модернізації систем та комплексів з метою підвищення їх ефективності.
ФК6 – здатність застосовувати професійно-профільовані знання та практичні навички для розв’язання типових задач спеціальності, а також експлуатації програмно-інформаційних комплексів.
Результати навчання: У результаті вивчення навчальної дисципліни здобувач освіти повинен бути здатним продемонструвати такі результати навчання: розуміння сучасних підходів до побудови і використання алгоритмів штучного інтелекту; готовність до вивчення інших дисциплін за напрямом інформаційних технологій.
Необхідні обов'язкові попередні та супутні навчальні дисципліни: Пререквізити:
- Програмування ч.1, ч.2.
- Алгебра і геометрія
- Математичний аналіз ч.1, ч.2, ч3
- Дискретна математика ч.1, ч.2
- Диференціальні рівняння
- Нейронні мережі
- Теорія ймовірності
- Математична статистика
Ко-реквізити:
- Математичні основи штучного інтелекту (КР)
- Обробка зображень засобами штучного інтелекту
Короткий зміст навчальної програми: У межах дисципліни розглядаються сучасні підходи до побудови і використання алгоритмів штучного інтелекту, а також проектування і розробки систем із застосуванням слабкого штучного інтелекту. Зокрема, вивчаються основоположні поняття штучного інтелекту; ключові етапи в історії розвитку штучного інтелекту як самостійного наукового напрямку; базові алгоритми оптимізації, класифікації, кластеризації та прийняття рішень: алгоритм відпалу (simulated annealing), алгоритм ART1 із сімейства алгоритмів теорії адаптивного резонансу (Adaptive Resonance Theory), мурашиний алгоритм (ant algorithm), генетичний алгоритм (genetic algorithm), алгоритм штучного життя (artificial life) та модель харчового ланцюга, експертні або продукційні системи і системи побудовані на правилах (production rules), нечітка логіка (fuzzy logic), модель станів і марковська модель (Markov model), ланцюг Маркова (Markov chain), прихована марковська модель/ланцюг (hidden Markov model/chain), біграми (Bigram model), штучні нейронні мережі (artificial neural networks); принципи побудови програмного забезпечення на основі використання розумних агентів (intelligent agent). На лабораторних заняттях студенти набувають навичок правильно визначати тип задачі та обирати відповідний підхід для розв’язання задачі з допомогою методів штучного інтелекту; розробляти програмне забезпечення, що реалізує алгоритми і методи штучного інтелекту; аналізувати (у т.ч. розуміти та інтерпретувати) результати розв’язання задач системами штучного інтелекту та формувати критерії оцінювання якості функціонування систем штучного інтелекту; для розв’язування нових задач створювати власні алгоритми штучного інтелекту на основі поєднання вже відомих підходів і алгоритмів штучного інтелекту.
Опис: Вступ до дисципліни. Ключові визначення і поняття штучного інтелекту. Важливі історичні етапи розвитку. Визначні постаті.
Алгоритм відпалу (Simulated Annealing).
Алгоритм ART1 із сімейства алгоритмів теорії адаптивного резонансу (Adaptive Resonance Theory)
Мурашиний алгоритм (Ant Algorithm)
Штучні нейронні мережі (Artificial Neural Networks)
Генетичний алгоритм (Genetic Algorithm)
Алгоритми штучного життя (Artificial Life) та модель харчового ланцюга
Експертні або продукційні системи і системи побудовані на правилах (Production Rules)
Системи з елементами нечіткої логіки (Fuzzy Logic)
Модель станів і марковська модель (Markov Model), ланцюг Маркова (Markov Chain), прихована марковська модель/ланцюг (Hidden Markov Model/Chain), біграми (Bigram Model)
Принципи побудови програмного забезпечення на основі використання розумних агентів (Intelligent Agent)
Математичні методи теорії навчання машин (Machine Learning):
– задачі навчання за прецедентами,
– байєсівські методи класифікації,
– метричні методи класифікації,
– лінійні методи класифікації,
– методи відновлення регресії,
– навчання і оптимізація штучних нейронних мереж,
– кластеризація і візуалізація.
Методи та критерії оцінювання: Лабораторні роботи – 60, у т.ч.:
- ЛР №1–6 – по 10 балів кожна
Самостійна робота – 10, у т.ч.:
- ЛР №7 та ЛР №8 – по 5 балів кожна
Контрольна робота (тест) у ВНС – 30 балів
Критерії оцінювання результатів навчання: Навчальна дисципліна, завершується семестровим контролем, форма якого передбачена навчальним планом із виставленням семестрової оцінки.
Семестрова оцінка складається із суми балів, передбачених на поточний контроль та контрольне тестування у ВНС. Цю інформацію викладач доводить студентам на першому занятті з навчальної дисципліни.
Порядок та критерії виставляння балів та оцінок: 100-88 балів - атестований з оцінкою «відмінно» - Високий рівень: здобувач освіти демонструє поглиблене володіння поняттєвим та категорійним апаратом навчальної дисципліни, системні знання, вміння і навички їх практичного застосування. Освоєні знання, вміння і навички забезпечують можливість самостійного формулювання цілей та організації навчальної діяльності, пошуку та знаходження рішень у нестандартних, нетипових навчальних і професійних ситуаціях. Здобувач освіти демонструє здатність робити узагальнення на основі критичного аналізу фактичного матеріалу, ідей, теорій і концепцій, формулювати на їх основі висновки. Його діяльності ґрунтується на зацікавленості та мотивації до саморозвитку, неперервного професійного розвитку, самостійної науково-дослідної діяльності, що реалізується за підтримки та під керівництвом викладача. 87-71 балів - атестований з оцінкою «добре» - Достатній рівень: передбачає володіння поняттєвим та категорійним апаратом навчальної дисципліни на підвищеному рівні, усвідомлене використання знань, умінь і навичок з метою розкриття суті питання. Володіння частково-структурованим комплексом знань забезпечує можливість їх застосування у знайомих ситуаціях освітнього та професійного характеру. Усвідомлюючи специфіку задач та навчальних ситуацій, здобувач освіти демонструє здатність здійснювати пошук та вибір їх розв’язання за поданим зразком, аргументувати застосування певного способу розв’язання задачі. Його діяльності ґрунтується на зацікавленості та мотивації до саморозвитку, неперервного професійного розвитку. 70-50 балів - атестований з оцінкою «задовільно» - Задовільний рівень: окреслює володіння поняттєвим та категорійним апаратом навчальної дисципліни на середньому рівні, часткове усвідомлення навчальних і професійних задач, завдань і ситуацій, знання про способи розв’язання типових задач і завдань. Здобувач освіти демонструє середній рівень умінь і навичок застосування знань на практиці, а розв’язання задач потребує допомоги, опори на зразок. В основу навчальної діяльності покладено ситуативність та евристичність, домінування мотивів обов’язку, неусвідомлене застосування можливостей для саморозвитку. 49-00 балів - атестований з оцінкою «незадовільно» - Незадовільний рівень: свідчить про елементарне володіння поняттєвим та категорійним апаратом навчальної дисципліни, загальне уявлення про зміст навчального матеріалу, часткове використання знань, умінь і навичок. В основу навчальної діяльності покладено ситуативно-прагматичний інтерес.
Рекомендована література: Базова:
1. Jones, M. Tim. AI Application Programming. — Charlies River Media, 2nd edition, 2005, 496 p.
2. Gibson A., Patterson J. Deep Learning: A Practitioner’s Approach. – O’Reilly, 2017. – 532 p. – ISBN 978-1-491-91425-0
3. Bishop C.M. Pattern Recognition and Machine Learning. – Springer, 2006. – 738 p. – ISBN 978-0-387-31073-2
4. Prateek Joshi. Artificial Intelligence with Python. – Packt Publishing, 2017. – 438 p. – ISBN 978-1-78646-439-2
Допоміжна:
1. Tariq Rashid. Make Your Own Neural Network — Create Space, 1st edition, 2016, 222 p.
2. Bruce P., Bruce A. Practical Statistics for Data Scientists: 50 Essential Concepts. – O’Reilly, 2017. – 317 p. – ISBN 978-1-491-95296-2
3. Downey A.B. Think Bayes: Bayesian Statistics in Python. – O’Reilly, 2013. – 214 p. – ISBN 978-1-449-37078-7
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).