Podstawy Sztucznej Inteligencji - Semestr zimowy 2019/2020

• Kierunek: Informatyka
• Rok: III
• Prowadzący:
  • dr inż. Krzysztof Kutt (KKT)
  • mgr inż. Dawid Bydłosz (DBD)

• Ogólne zasady, które Państwa obowiązują: GRIS - proszę przeczytać, zrozumieć, ew. wątpliwości zgłosić na 1.-2. zajęciach
  • Uwaga: zasady dotyczące nieobecności na PSI są INNE niż opisane w GRIS. Szczegóły poniżej.
• Materiały do zajęć (i ciekawostki dot. SI) będziemy zbierać w Wiki o sztucznej inteligencji:
  • Celem wiki jest ułatwienie poznania podstawowej wiedzy o SI (będą tam najważniejsze informacje z podręczników) + poznanie aktualnych trendów/ciekawostek dot. SI (te materiały nie będą obowiązywać do kartkówek/kolokwium, ale pozwolą dowiedzieć się więcej o SI)
  • Adres wiki: https://krzysztof.kutt.pl/psi-wiki/
  • Podstawowa lista tematów
    • Można też dodawać do wiki dowolne inne tematy związane z SI (jako ciekawostki), jeżeli tylko ktoś uzna, że dane zagadnienie może być ciekawe dla innych osób z Roku
  • Tworzenie wiki:
    • ~15 osób tworzy „core” wiki i dba o ogólny poziom merytoryczny wiki – te osoby będą oceniane za Bossa (patrz niżej)
    • Każdy może współtworzyć wiki, dodawać ciekawostki, poprawiać strony, oceniać strony (bez punktów)
  • Ocena stron w wiki polega na stworzeniu trójki RDF (zob. Lab: Reprezentacja wiedzy): STRONA – :ocena – OCENA, gdzie OCENA to liczba ze zbioru [1,2,3,4]
    • Podczas oceny proszę brać przede wszystkim pod uwagę to, że ktoś to opracowanie zrobił dla Państwa, aby nie musieli Państwo czytać oryginalnego tekstu tylko opracowanie w wiki
    • 4 pkt = tekst w porządku, na temat, zwięzły, zrozumiały; z linkami do innych powiązanych stron [tekst nie musi być długi! jeżeli tylko rozumie się o co chodzi w danym zagadnieniu! Może to być nawet tylko jeden obrazek, jeżeli to już zamyka zagadnienie ]
• W czasie zajęć zdobywamy punkty doświadczenia (EXP). Punkty można zdobywać (i tracić) na kilka sposobów:
  • Główny wątek: uczestniczenie w laboratoriach
    • Zajęcia odbywają się co dwa tygodnie zgodnie z Harmonogramem
    • 6x5x4 EXP – kartkówka na każdych zajęciach (poza pierwszymi)
      • 2 pytania po 2 EXP
      • Obowiązuje materiał spisany w Wiki o sztucznej inteligencji
      • Jeżeli Boss 3: Wiki nie będzie prowadzony rzetelnie to do kartkówek (i kolokwium) wchodzi materiał przedstawiony na początku każdej z instrukcji do zajęć!
    • 0.5 EXP – za aktywność na zajęciach (plusy z aktywności)
    • -54.6 EXP – za każdą nieobecność nieusprawiedliwioną (również pierwszą)
  • Wątek poboczny: udział w eksperymencie Affective Computing
    • INFORMACJE O BADANIACH ZNAJDUJĄ SIĘ POD ADRESEM: http://bit.ly/badania2020
    • Można brać udział w badaniu osobiście i/lub zaprosić do udziału kogoś spoza Roku¹⁾
    • 2 EXP albo usprawiedliwienie nieobecności – za udział osobisty i każdą zaproszoną osobę, która wzięła udział w badaniu
    • -54.6 EXP – za każdą nieobecność na badaniu (również zaproszonych osób) bez zgłoszenia tego faktu najpóźniej 48h przed badaniem
  • Boss: 26 EXP
    • do wyboru jeden z trzech poniższych (można też nie atakować Bossów tylko przemknąć w cieniu, jeżeli ktoś ma wystarczającą liczbę EXP):
    • Boss 1: Kolokwium (test wielokrotnego wyboru) na podstawie materiałów obowiązujących do każdych zajęć (spisane na początku instrukcji)
      • W przypadku gdy Boss 3: Wiki będzie rzetelnie prowadzony, do kolokwium wchodzą tylko materiały z Wiki (nie trzeba czytać materiałów źródłowych!)
      • Każda osoba ma indywidualnie wygenerowany test oznaczony kodem kreskowym
      • W każdym zadaniu minimum 1 odpowiedź jest poprawna; maksymalnie wszystkie cztery
      • Punktacja każdego zadania:
        • +1 pkt za każdą poprawnie zaznaczoną odpowiedź (gdy powinna być zaznaczona)
        • -1 pkt za każdą niepoprawnie zaznaczoną (zaznaczenie odpowiedzi, która nie powinna zostać zaznaczona)
        • 0 pkt za niezaznaczoną odpowiedź
        • W ramach zadania nie można mieć punktów ujemnych.
      • W związku z tym, że każda osoba może mieć inną liczbę punktów, wyliczany jest wynik procentowy z kolokwium i przeliczany na 26 EXP
    • Boss 2: Projekt (w grupach 4-5 os.): „Modeli predykcji emocji i sposoby ich wyjaśniania” (analiza danych zebranych w ramach eksperymentu na poprzedniej edycji PSI – wiosna 2018/2019)
      • DANE DO PROJEKTU: BIRAFFE dataset
      • Ocenie podlega raport (kod + tekst; archiwum 7z/tar.gz/zip; preferowany Jupyter Notebook):
        • 3 EXP – Wstępna eksploracja
        • 6 EXP – Preprocessing
        • 3 EXP – Przygotowanie podstawowych modeli
        • 6 EXP – Dopracowanie parametrów modeli, ustalenie optymalnych parametrów
        • 2 EXP – Porównanie modeli i wybór najlepszego
        • 6 EXP – Opracowanie warstwy wyjaśniającej (explainability)
      • Punkty przyznawane są za działające fragmenty kodu oraz za sensowne uzasadnienie dlaczego dany krok został zrealizowany w taki, a nie inny sposób (np. dlaczego wybrano takie modele i takie ich parametry)
    • Boss 3: Wiki o Sztucznej Inteligencji – ocena dla „core” zespołu:
      • 6x2 EXP wyliczane na podstawie ocen uzyskanych na roku z każdej z kartkówek (górny/trzeci kwartyl ze zbioru ocen z danej kartkówki; podzielony przez 2 = maks. 2 EXP za materiały do każdej z kartkówek)
      • 12 EXP ocena jakości wiki przez prowadzącego
      • 14 EXP na podstawie ocen stron w wiki (średnia ocena z przedziału [1,4] przeskalowana do przedziału [0,14] EXP)
        • UWAGA: Prowadzący zastrzega sobie prawo do zmiany wyliczonej oceny na korzyść osób prowadzących wiki w przypadku, gdy ocena innych osób będzie krzywdząca
• Sposób deklaracji wyboru Bossa (wybór jednego oznacza brak możliwości wyboru innego):
  • Boss 1: Kolokwium – podejście do kolokwium zaliczeniowego (wejście do sali)
  • Boss 2: Projekt – oddanie projektu (przesłanie raportu do zaliczenia, prośba o ocenę projektu na konsultacjach)
  • Boss 3: Wiki – deklaracja wysłana mailem na kkutt@agh.edu.pl; deklaracje można wysyłać od 09.09.2019 od godziny 12:00 do wyczerpania miejsc
• 5046 EXP stanowi 100% łącznej liczby punktów (MAX).

• Zaliczenie poprawkowe obejmuje jednego z bossów.
• Do zaliczenia poprawkowego mogą przystąpić osoby które:
  • Nie mają zaliczenia (mniej niż 25 EXP) lub
  • nie walczyły z żadnym Bossem i posiadają usprawiedliwienie (ważne w dzień walki z Bossem: Kolokwium).
• Do wyników uzyskanych z zaliczenia poprawkowego nie wlicza się:
  • plusów - w 1. terminie poprawkowym,
  • plusów i nieusprawiedliwionych nieobecności - w 2. terminie poprawkowym.
• W 2. terminie poprawkowym można uzyskać co najwyżej ocenę 3.0.

UWAGA: Z powodu przedłużającej się niedyspozycji p. Bydłosza zajęcia nr 5 (Regułowe systemy ekspertowe) nie odbędą się, nie będzie kartkówki z tego tematu, a materiał nie będzie obowiązywać do kolokwium.

• Aktualna lista obecności i punktacja

Obowiązkowa:

• [ArtInt] D. Poole, A. Mackworth. Artificial Intelligence: Foundations of Computational Agents, 2nd Edition. Cambridge University Press, 2017
• [AIMA] Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach. 3rd Ed., Pearson, 2010.

Dodatkowa:

• Mariusz Flasiński. Wstęp do Sztucznej Inteligencji. Wydawnictwo Naukowe PWN, 2011.

Inne:

• Popularnonaukowy wstęp do wybranych zagadnień sztucznej inteligencji na blogu prof. Tadeusiewicza
• Judah Vs. The Machines – 8 odcinków x 6 minut, Człowiek vs Sztuczna Inteligencja – kto wygra?

• Materiały

1. 02-27: Wprowadzenie
2. 03-06: e-learning
3. 03-13: Przeszukiwanie grafów
4. 03-20: e-learn
5. 03-27: LPP
6. 04-03: CSP
7. 04-10: RBS
8. 04-17: KRR
9. 04-24: KRR
10. 05-08: ML
11. 05-15: e-learning
12. 05-22: ML
13. 05-29: LOD
14. 06-05: TBA
15. 06-12: Kolokwium

1. Wprowadzenie do sztucznej inteligencji (AI). Problematyka reprezentacji i przetwarzania wiedzy. Charakterystyka metod i obszaru zastosowań. Przykłady problemów AI. [28.02.2018; ALi]
2. E-learning. Readings in AI: from * AI Book read and analyze Chapters 1, 2 and 3. [7.03.2018; ALi]; Also: compare courses in AI: * CS221: Artificial Intelligence * CS188: Artificial Intelligence
3. Przeszukiwanie grafów. Tree Search vs. Graph Search. Metody systematyczne (ślepe). DFS vs. BFS. Problemy implementacji. [14.03.2018; ALi]
4. Przeszukiwanie grafów. Metody ślepe: DLS, ID, BS, UC (Dijkstry). Elementy implementcji w Prologu i Pythonie. [21.03.2018; ALi]
5. Przeszukiwanie grafów. Metody heurystyczne. Problemy implementacji.Elementy implementcji w Prologu i Pythonie. [28.03.2017; ALi]
6. Programowanie z ograniczeniami. Podstawy teoretyczne. Zastosowania. Narzędzia: Prolog+clpfd, MiniZinc. [11.04.2018; ALi]
7. Systemy regułowe i ekspertowe. Automatyczne planowanie operacji. Przykłady w Prologu. [18.04.2018; ALi]
8. Nowe paradygmaty w AI [25.04.2018; GJN]
9. brak wykladu [09.05.2018; GJN]
10. Uczenie maszynowe [16.05.2018; GJN]
11. Uczenie maszynowe [23.05.2018; GJN]

1. Wprowadzenie do Sztucznej Inteligencji. Rozwiązywanie problemów. Reprezentacja wiedzy i wnioskowanie. Przykłady systemów inteligentnych. [1.03.2017;ALi]
2. Algorytmy przeszukiwania grafów (DFS, BFS i pochodne). Tree Search vs. Graph Search. Backtracking Search. Implementacja w Prologu. [8.03.2017; ALi]
3. Algorytmy ślepe: BFS, UC, DFS, DFS-limited, DFS-Iterative-Deepening; Algorytm Dijkstry. Przykłady implementacji (Prolog, Python). Planowanie odporne (Robust Planning) [15.03.2017; ALi]
4. Algorytmy heurystyczne szukania w grafach. Algorytm A*. Szukanie wiązką. Algorytmy inspirowane biologicznie (GA) i fizycznie (SA). [22.03.2017; ALi]
5. Wprowadzenie do programowania z ograniczeniami. Przykłady problemów i rozwiązań w Prologu. Biblioteka clp(fd). Techniki i narzędzia programowania z ograniczeniami. Propagacja ograniczeń vs. szukanie. Przykłady zastosowań. [29.03.2017; Ali]
6. Systemy z Bazą Wiedzy. Systemy regułowe. Systemy eksperckie. [5.04.2017; ALi]
7. E-Learning: Introduction to Artificial Intelligence. CS221 [12.04.2017]]
8. E-Learning: Introduction to Artificial Intelligence. CS188 [19.04.2017]
9. C.D.N. [26.04.2017]
10. …

• AI-Introduction
• KE - Introduction
• Blind Search
• Heuristic Search
• CSP and Constraint Programming
• Rule-Based Systems

• AI Book
• Prolog - page with external links
• CS221: Artificial Intelligence
• CS188: Artificial Intelligence
• CS227: Knowledge Representation and Reasoning
• KRR: PL

[[http://ml.unife.it/belief-propagation/]]

—-