Podstawy Sztucznej Inteligencji - Semestr letni 2017/2018

Organizacja zajęć i zasady zaliczenia

  • Ogólne zasady, które Państwa obowiązują: GRIS - proszę przeczytać, zrozumieć, ew. wątpliwości zgłosić na 1.-2. zajęciach
    • Proszę zwrócić uwagę na sposób informowania Państwa o aktualnościach, tryb konsultacji, zasady dotyczące kolokwiów i obecności.
  • Na zaliczenie laboratorium składają się:
    • Ścieżka Wiedzy
      • 2 pkt za każde zrealizowane zadanie w Wiki o Sztucznej Inteligencji, stanowiącej kompendium wiedzy przed kolokwium i egzaminem
      • 6×2 pkt – Kartkówka na każdych zajęciach (poza pierwszymi) na podstawie materiałów z Wiki
    • Ścieżka Danych (fakultatywna)
      • INFORMACJA O BADANIACH: http://bit.ly/badaniaAGH2018
      • 2 pkt – Udział w badaniu
      • 2 pkt – Zaproszenie do udziału kogoś spoza kierunku Informatyka1) (2 pkt za każdą osobę)
    • „Ścieżka Zdrowia” (jedno do wyboru)
      • 25 pkt – Kolokwium (test wielokrotnego wyboru) na podstawie materiałów z Wiki
        • Każda osoba ma indywidualnie wygenerowany test oznaczony kodem kreskowym
        • W każdym zadaniu minimum 1 odpowiedź jest poprawna; maksymalnie wszystkie
        • 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 punkty
      • 25 pkt – Projekt (w grupach 2-3 os.): „Przygotowanie modeli predykcji emocji na podstawie sygnałów fizjologicznych (HR, GSR)” (analiza danych zebranych w ramach Ścieżki Danych)
        • Ocenie podlega raport (archiwum 7z/tar.gz/zip; Jupyter Notebook):
          • 2 pkt – Wstępna eksploracja
          • 2 pkt – Preprocessing
          • 6 pkt – Przygotowanie podstawowych modeli
          • 10 pkt – Dopracowanie parametrów modeli, ustalenie optymalnych parametrów
          • 4 pkt – Porównanie modeli
          • 1 pkt – Wybór najlepszego modelu
        • 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)
  • 50 punktów stanowi 100% maksymalnej łącznej liczby punktów (MAX).

PROJEKT

  • Dane znajdują się tutaj: https://www.dropbox.com/sh/jf4kfj1rfna9ggj/AABJs8hmMpxfnWYzD0pGebS8a?dl=0 (proszę zacząć od pliku README.txt)
  • W pliku README.txt znajduje się również konkretny opis celu projektu
  • Informacja o sposobie oceny projektu znajduje się powyżej
  • Termin realizacji projektu: do końca czerwca (ale: do dopuszczenia do egzaminów trzeba mieć zaliczenie z lab, więc polecam wcześniej)

Zaliczenia poprawkowe

  • Zaliczenie poprawkowe obejmuje projekt lub kolokwium.
  • Do zaliczenia poprawkowego mogą przystąpić osoby które:
    • Nie mają zaliczenia lub
    • nie pisały kolokwium i posiadają usprawiedliwienie.
  • Do wyników uzyskanych z zaliczenia poprawkowego nie wlicza się:
    • plusów/minusów - w 1. terminie poprawkowym,
    • plusów/minusów i nieusprawiedliwionych nieobecności - w 2. terminie poprawkowym.
  • W 2. terminie poprawkowym można uzyskać co najwyżej ocenę 3.0.

Harmonogram

L.p. Tydzień A Tydzień B Laboratorium
26.02.2018 Zajęcia organizacyjne
1. 05.03.2018 12.03.2018 Reprezentacja wiedzy
2. 19.03.2018 26.03.2018 Przeszukiwanie grafów
3. 09.04.2018 16.04.2018 Programowanie z ograniczeniami
4. 23.04.2018 07.05.2018 Regułowe systemy ekspertowe
5. 14.05.2018 21.05.2018 Uczenie nadzorowane
6. 28.05.2018 04.06.2018 Uczenie nienadzorowane
7. 11.06.2018 18.06.2018 Reprezentacja niepewności
13.06.2018 (15:30, C2 429) Kolokwium + wykład
20.06.2018 (15:30, C2 429) Egzamin. Termin zerowy (dla osób mających zaliczenie z lab)

Wiki o Sztucznej Inteligencji

  • TYDZIEŃ A:
  • TYDZIEŃ B:
  • Do każdego laboratorium pojawi się lista zadań:
    • Zadania wykonujemy indywidualnie korzystając ze swojego konta w wiki i w Trello.
    • Każdy samodzielnie wybiera zadania. W danym momencie można realizować tylko jedno zadanie (status „w trakcie”).
    • Niektóre zadania są przeznaczone dla większej liczby osób (przy większych fragmentach tekstu). W takiej sytuacji w nazwie zadania jest liczba osób, które go realizują, a w zadaniu są wyszczególnione pod-zadania - każda osoba wykonuje jedno z nich. Pierwsza osoba, która weźmie to zadanie przenosi je do „w trakcie” i oznacza swoje pod-zadanie jako zajęte poprzez zaznaczenie pola wyboru. Każda osoba po zakończeniu swojej części dodaje komentarz. Ostatnia osoba przenosi całe zadanie do „Zrobione”.
    • Nie ma limitów na liczbę zrealizowanych zadań w ramach laboratorium: można nie zrobić żadnego, można zrobić kilka (w miarę dostępności zadań).
    • Czas na realizację zadań: do piątku do 23:59 w weekend poprzedzający zajęcia z danego laboratorium (aby przed laboratorium wszyscy mogli przejrzeć opracowane materiały jako wstęp teoretyczny do zajęć i kartkówki; termin wykonania będzie przyporządkowany do zadania).
    • Po zakończeniu zadania (gdy ktoś uzna, że jest zakończone) proszę o przeniesienie go do listy „Zrobione” oraz o komentarz w zadaniu z linkami do stron na których dokonało się zmian w ramach tego zadania.
  • Edycja w wiki będzie wyłączana od soboty 0:00 do poniedziałku 14:00 (dotyczy oczywiście tylko weekendów przed zajęciami)
  • Każde zadanie w wiki jest oceniane na maks. 2 pkt:
    • 0.5 pkt za pomyślne zakończenie zadania (choćby to było copy-paste, ale jest coś co jest na temat)
    • 0.5 pkt za „ładny tekst” (czyli ktoś się postarał i ładnie streścił zagadnienie w zwięzły tekst / wypunktowanie / rysunki)
    • 0.5 pkt za integrację z innymi tematami w wiki (czyli: linkowanie innych stron, scalanie treści z innymi pokrewnymi stronami)
    • Realizacja zadania po jego terminie skutkuje naliczeniem połowy punktów za to zadanie odjęciem 1 pkt za każdy rozpoczęty tydzień spóźnienia. — poprawione przez Krzysztof Kutt 2018/03/18 12:27
  • W przypadku dobrej współpracy (będziemy rzetelnie pracować nad bazą wiedzy), prowadzący zagwarantuje, że kolokwium nie będzie wykraczać materiałem poza wiedzę zawartą w wiki.

Literatura

Inne:

Dla Prowadzących

Wykłady

  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. FIXME

Wykłady 2016/2017

  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]

Materiały pomocnicze (2017/2018)

Background Material
1)
Osoba badana po stawieniu się na badanie musi poinformować kto ją zaprosił.
pl/dydaktyka/ai/2018/start.txt · ostatnio zmienione: 2018/05/13 20:25 przez kkutt
www.chimeric.de Valid CSS Driven by DokuWiki do yourself a favour and use a real browser - get firefox!! Recent changes RSS feed Valid XHTML 1.0