IV126 Umělá inteligence II

Fakulta informatiky
jaro 2015
Rozsah
2/0/0. 2 kr. (plus ukončení). Ukončení: zk.
Vyučující
doc. Mgr. Hana Rudová, Ph.D. (přednášející)
Garance
doc. RNDr. Eva Hladká, Ph.D.
Katedra počítačových systémů a komunikací – Fakulta informatiky
Dodavatelské pracoviště: Katedra počítačových systémů a komunikací – Fakulta informatiky
Rozvrh
Pá 8:00–9:50 C525
Předpoklady
Předmět volně navazuje na PB016 Umělá inteligence I, absolvování PB016 není podmínkou pro absolvování předmětu.
Je předpokládana znalost pravděpodobnosti na úrovni MB103 Spojité modely a statistika.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu
Cílem předmětu je doplnění ucelených úvodních znalostí z umělé inteligence v návaznosti na přednášku PB016 Umělá inteligence I. Předmět je koncipován na základě klasické knihy Russela & Norviga Artificial intelligence: A modern approach (viz aima.cs.berkeley.edu) a představuje znalosti z oblastí lokálního prohledávání, plánování, práce s neurčitostí a z robotiky.
Absolvent bude znát různé typy základních i pokročilých algoritmů lokálního prohledávání a bude je umět použít pro řešení praktických příkladů.
Absolvent získá základní znalosti o řešení plánovacích problémů jako posloupností akcí provedených pro dosažení zadaného cíle.
Absolvent získá přehled pro práci s neurčitými a nejasnými informacemi v zadaných problémech a naučí se používat základní postupy pro zahrnutí neurčitosti do řešení problému.
Absolvent bude znát základní pojmy z oblasti robotiky a vytvoří si představu o vnímání robota, jeho lokalizaci a plánování jeho pohybu.
Osnova
  • Lokální prohledávání: Heuristiky s jedním řešením, principy a koncepty, prohledávání s proměnlivým a rozsáhlým okolím, hyper-heuristiky. Heuristiky s populací řešení, genetické algoritmy, algoritmy založené na inteligenci hejna. Memetické algoritmy. Multi-kriteriální přístupy, Paretovo optimum.
  • Plánování: Klasické plánování. Plánování se stavovým prostorem, dopředné a zpětné plánování, STRIPS operátory. Plánování s prostorem plánů. Modely času, plánování s časem a se zdroji.
  • Práce s neurčitostí: Bayesovské sítě, exaktní a aproximační odvozování. Čas a neurčitost, skryté Markovské modely. Racionální rozhodování, teorie užitku. Rozhodovací sítě. Rozhodování v čase, Markovské rozhodovací procesy.
  • Robotika: Roboti, sensory a efektory. Vnímání robota, lokalizace a mapování. Plánování pohybu robota, plánování s neurčitostí.
Literatura
  • RUSSELL, Stuart a NORVIG, Peter. Artificial intelligence : a modern approach (third edition). Prentice Hall, 2010.
  • TALBI, El-Ghazali. Metaheuristics: From Design to Implementation. Wiley, 2009.
  • GHALLAB, Malik, Dana NAU a Paolo TRAVERSO. Automated Planning: Theory & Practice. Morgan Kaufmann, 2004. info
Výukové metody
Standardní přednáška bez cvičení, jeden domácí úkol v průběhu semestru. Přednášky zahrnují příklady na procvičení.
Metody hodnocení
Hodnocení předmětu je realizováné na základě závěrečné písemné práce (85% celkového hodnocení) a řešení praktických příkladů za domácí úkol (15% celkového hodnocení za 1 úkol). Hodnocení předmětu je následující A 100%-90%, B 89%-80%, C 79%-70%, D 69%-60%, E 59%-55%.
Informace učitele
http://www.fi.muni.cz/~hanka/ai
Další komentáře
Studijní materiály
Předmět je vyučován každoročně.
Nachází se v prerekvizitách jiných předmětů
Předmět je zařazen také v obdobích jaro 2017, jaro 2018, jaro 2019, podzim 2019, podzim 2020, podzim 2021, podzim 2022, podzim 2023, podzim 2024.