Umetni inteligentni sistemi

Opis predmeta

Uvod v umetne inteligentne sisteme: umetno zaznavanje, umetna inteligenca, mehko računanje, strojno učenje, avtonomni agenti in ambientalna inteligenca, pametni nadzorni sistemi.
Inteligentno reševanje problemov: stanja problema in podproblemi, predstavitev problemov z grafi in algoritmi za preiskovanje grafov – izčrpno preiskovanje, hevristično preiskovanje.
Zgled: samodejno sestavljanje.
Z znanjem podprti sistemi: osnovne sestavine z znanjem podprtih sistemov, vmesnik človek-stroj, proceduralno in deklarativno znanje, proces sklepanja.
Predstavitev znanja: predstavitev s produkcijskimi pravili, neizrazita logika, obrazca za prikaz znanja, ki temeljita na Petrijevih omrežjih.
Sklepanje: metode sklepanje z veriženjem pravil, izjavni račun, predikatni račun, neizrazito logično sklepanja, verjetnostno sklepanje.
Zgled: z znanjem podprt sistem strojnega vida.
Znanje iz eksperimentalnih podatkov: več-variabilna regresije z umetnimi nevronskimi omrežji.
Več-agentni sistemi: inteligentni agenti, več-agentne plaforme, agentni komunikacijski jezik
Zgled: več-agentna FIPA platforma

Predmet učimo na programih

Elektrotehnika 2. stopnja

Cilji in kompetence

Cilj predmeta je študentu podati znanje o osnovnih matematičnih in računalniških pristopih pri razvoju umetne inteligence. Študent se seznani z osnovnimi koncepti umetnih inteligentnih sistemov in s primeri izvedb takšnih sistemov. Pridobljeno znanje o mehkem računanju, strojnem učenju in obrazcih za predstavitev znanja omogoča osnovno načrtovanje in razvoj ekspertnih sistemov, avtonomnih inteligentnih agentov in tudi več-agentih aplikacij.

Metode poučevanja in učenja

Na predavanjih so podane teoretične osnove vseh obravnavanih modelov in metod. Predstavljeni so tudi računski primeri, ki ponazarjajo ključne značilnosti predstavljenih metod. Študentom je kot osnovno študijsko gradivo na razpolago skripta z drsnicami s predavanj. V okviru predavanja študenti dobijo neobvezne domače naloge, ki vključujejo nekaj teoretičnih vprašanj in tudi nekaj računskih nalog, katerih namen je sprotno preverjanje pridobljenega znanja. Praktično delo poteka v okviru laboratorijskih vaj, kjer študenti rešujejo predvsem zadane programerske naloge. V okviru laboratorijskih vaj študenti izvedejo še izbirne projekte, v okviru katerih udejanjijo izbrane umetne inteligentne sisteme ali njihovo izbrano ključno komponento za izbrano področje uporabe, oziroma izvedejo poglobljene študije obstoječih umetnih inteligentnih sistemov. O rezultatih izbirnih projektov poročajo v pisnih poročilih.

Predvideni študijski rezultati

Po uspešno opravljenem predmetu naj bi bili študenti zmožni:

predstaviti osnovno zamisel in pod-področja umetne inteligence glede na vsebino, raziskave in uporabo,
opisati osnovne koncepte in gradnike avtonomnih agentov in drugih umetnih inteligentnih sistemov, ki so podprti z bazami problemsko usmerjenega znanja in mehanizmi sklepanja, z možnostjo zaznavanja prostora in komuniciranja z govorom ter z možnostjo samo-učenja in prilagajanja na nove okoliščine,
razložiti osnovne metode mehkega računanja in različne obrazce za predstavitev znanja v inteligentnih sistemih,
modelirati določene umske zmožnosti človeka, kot je učenje in reševanje problemov,
uporabljati metode iskanja optimalnih rešitev glede na vhodne podatke in bazo znanja, ki temelji na uporabi enega od obrazcev za predstavitev znanja,
iskati zakonitosti v podatkih z metodami samodejnega razpoznavanja vzorcev in podatkovnega rudarjenja ter
ovrednotiti točnost in zanesljivost delovanja umetnih inteligentnih sistemov.

Temeljni viri in literatura

S. J. Russell, P. Norvig: Artificial Intelligence: A Modern Approach, Prentice Hall, 2010.
Mohri M., Rostamizadeh A., Talwalkar, A. : Foundations of Machine Learning, The MIT Press, 2012.
N. Pavešić, Razpoznavanje vzorcev: uvod v analizo in razumevanje vidnih in slušnih signalov, (3. popravljena in dopolnjena izd., 2 zv.), Založba FE in FRI, 2012