Opis predmeta
-
Uvod v umetno inteligenco in primeri uporabe
-
Prostor stanj in osnovni algoritmi preiskovanja: globinsko, širinsko, iterativno poglabljanje, zahtevnost teh algoritmov
-
Hevristično preiskovanje, algoritma A* in IDA*, izrek o popolnosti A*, lastnosti ocenitvenih funkcij ter analiza časovne in prostorske zahtevnosti
-
Dekompozicija problemov z AND/OR grafi, algoritmi iskanja v AND/OR grafih, hevristično preiskovanje in algoritem AO*
-
Strojno učenje: problem učenja iz podatkov, iskanje zakonitosti v podatkih in podatkovno rudarjenje, opisni jeziki in prostori hipotez, učenje odločitvenih dreves, regresijskih dreves, modelnih dreves, ter pravil. Programska orodja strojnega učenja in primeri uporabe.
-
Predstavitev znanja in ekspertni sistemi: predstavitev znanja s pravili, ogrodji, semantičnimi mrežami, ontologije; algoritmi sklepanja in generiranje razlage; obravnavanje negotovega znanja, bayesovske mreže
-
Planiranje po principu sredstev in ciljev, planiranje s popolno in delno urejenostjo, regresiranje ciljev, primeri uporabe v robotiki in logistiki
Predmet učimo na programih
Cilji in kompetence
-
Seznaniti slušatelje z osnovnimi koncepti, idejami, metodami in tehnikami umetne inteligence
-
Sposobnost reševanja problemov z metodami umetne inteligence
-
Zmožnost razumevanja literature s področja umetne inteligence
-
Prispevati k razumevanju relevantnosti tehničnih dosežkov umetne inteligence glede na njihove implikacije v filozofiji in psihologiji
Metode poučevanja in učenja
Predavanja, laboratorijske vaje, domače naloge, individualni ali skupinski projekti
Predvideni študijski rezultati
Po uspešnem zaključku predmeta bo študent:
– poznal osnovne in najpogostejše uporabljane metode umetne inteligence,
– sposoben pojasniti implikacije dosežkov umetne inteligence in relacije s kognitivno znanostjo, psihologijo, medicino, logiko, matematiko in drugimi sorodnimi področji.
– sposoben opredeliti, kje so tehnične meje področja,
– sposoben uporabe preiskovalnih algoritmov in metod strojnega učenja na realnih problemih,
– sposoben primerjanja časovne in prostorske učinkovitosti uporabljanih metod,
– sposoben formulirati probleme iz realnega življenja kot probleme, ki so rešljivi z metodami umetne inteligence.
Reference nosilca
- ZUPANC, Kaja, BOSNIĆ, Zoran. Automated essay evaluation with semantic analysis. Knowledge-based systems, ISSN 0950-7051. [Print ed.], Mar. 2017, vol. 120, str. 118-132.
- OCEPEK, Uroš, RUGELJ, Jože, BOSNIĆ, Zoran. Improving matrix factorization recommendations for examples in cold start. Expert systems with applications, ISSN 0957-4174. [Print ed.], Nov. 2015, vol. 42, no. 19, str. 6784-6794.
- BOSNIĆ, Zoran, DEMŠAR, Jaka, KEŠPRET, Grega, Rodrigues, Pedro Pereira, Gama, João, Kononenko, Igor. Enhancing data stream predictions with reliability estimators and explanation. Engineering applications of artificial intelligence, ISSN 0952-1976. [Print ed.], 2014, vol. 34, str. 178-192.
- BOSNIĆ, Zoran, KONONENKO, Igor. Estimation of individual prediction reliability using the local sensitivity analysis. Applied intelligence, ISSN 0924-669X. [Print ed.], Dec. 2008, vol. 29, no. 3, str. 187-203, ilustr.
- BOSNIĆ, Zoran, KONONENKO, Igor. Comparison of approaches for estimating reliability of individual regression predictions. Data & Knowledge Engineering, ISSN 0169-023X. [Print ed.], Dec. 2008, vol. 67, no. 3, str. 504-516.
Celotna bibliografija je dostopna na SICRISu / For complete bibliography see SICRIS:
Temeljni viri in literatura
. Bratko, Prolog Programming for Artificial Intelligence, 4th edition, Pearson Education,
Addison-Wesley 2011, ISBN: 0201403757.
S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, Third edition, Pearson
Education, Prentice-Hall 2010, ISBN: 0136042597.
I. Bratko, Prolog in umetna inteligenca, Založba FE in FRI, ponatis 2011.
I. Kononenko, Strojno učenje, Založba FE in FRI, 2005.
Materiali na spletu (Spletna učilnica FRI; Ivan Bratko home page): Prosojnice predavanj, naloge.