Uniwersytet Marii Curie-Skłodowskiej w Lublinie - Centralny System Uwierzytelniania
Strona główna

Methods of AI (LOG)

Informacje ogólne

Kod przedmiotu: F-K.152
Kod Erasmus / ISCED: (brak danych) / (brak danych)
Nazwa przedmiotu: Methods of AI (LOG)
Jednostka: Instytut Filozofii
Grupy: Kognitywistyka I st. prz. wybieralne blok #LOG (sem. 4,6)
Punkty ECTS i inne: 4.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: angielski
Wymagania wstępne:

Podstawy sztucznej inteligencji, logika

Godzinowe ekwiwalenty punktów ECTS:

30h - laboratoria

70h - praca własna studenta

Sposób weryfikacji efektów kształcenia:

1. Prace zaliczeniowe w formie projektów

2. Aktywność w trakcie zajęć

Pełny opis:

Zapoznanie studentów z podstawowymi metodami i technikami sztucznej inteligencji, w zakresie obejmującym:

• drzewa decyzyjne z logiką formalną (wnioskowanie formalne);

• drzewa decyzyjne z prawdopodobieństwem warunkowym (wnioskowanie Bayesa);

• metody przeszukiwania drzew;

• przeszukiwanie sieci z połączeniami jedno- i dwukierunkowymi, acyklicznymi i cyklicznymi;

• metody heurystyczne.

Literatura:

Russel, Norvig: Artificial Intelligence: A Modern Approach. Global Edition. Pearson 2016

Efekty uczenia się:

1. Student ma wiedzę dotyczącą drzew decyzyjnych i metod ich przeszukiwania przy rozwiązywaniu problemów z zakresu sztucznej inteligencji (K_W02, K_W03, K_W08)

2. Student zna metody heurystyczne stosowane przy rozwiązywaniu problemów z zakresu sztucznej inteligencji (K_W02, K_W03, K_W08)

3. Student zna techniki opisu modeli obliczeniowych oraz wykorzystujące je aplikacje użytkowe (K_W08, K_U02, K_U05)

4. Student potrafi zaprojektować drzewo formalne dla prostego procesu decyzyjnego oraz drzewo Bayesa dla prostego procesu wnioskowania (K_U02, K_U05, K_U07)

5. Student umie stworzyć drzewo zależności (np. drzewo genealogiczne) oraz mapę zależności przy wykorzystaniu sieci o połączeniach ważonych i zaproponować odpowiednią metodę ich przeszukiwania (K_U02, K_U05, K_U07)

6. Student potrafi rozwiązać określony problem wykorzystując przeszukiwanie odwołujące się do heurystycznej funkcji celu (K_U02, K_U05, K_U07)

7. Student jest aktywny w poszukiwaniu wiedzy w zakresie metod sztucznej inteligencji (K_U11, K_U13, K_K01)

Zajęcia w cyklu "Semestr letni 2022/2023" (zakończony)

Okres: 2023-02-27 - 2023-06-25
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin więcej informacji
Koordynatorzy: Andrzej Bobyk
Prowadzący grup: Andrzej Bobyk
Lista studentów: (nie masz dostępu)
Zaliczenie: Zaliczenie na ocenę
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Marii Curie-Skłodowskiej w Lublinie.
kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0-96c5a8fb3 (2024-10-22)