Inteligentni sistemi

2022/2023
Program:
Interdisciplinarni univerzitetni študijski program 1. stopnje Računalništvo in matematika
Letnik:
3 letnik
Semester:
prvi
Vrsta:
izbirni
Skupina:
Modul: Umetna inteligenca
ECTS:
6
Jezik:
slovenski
Nosilci predmeta:

Igor Kononenko, Marko Robnik Šikonja

Ure na teden – 1. semester:
Predavanja
3
Seminar
0.4
Vaje
0
Laboratorij
1.6
Vsebina

Teme predavanj:
Inteligenca in umetna inteligenca ter interakcija človek-stroj: temeljna filozofska vprašanja glede inteligence in umetne inteligence, vloga umetne inteligence.
Strojno učen je in podatkovno rudarjenje, pregled osnovnih algoritmov.
Predprocesiranje podatkov, diskretizacija, vizualizacija.
Inteligentna analiza podatkov.
Osnovni principi strojnega učenja, ocenjevanje učenja, kombiniranje algoritmov strojnega učenja .
Paralelno distribuirano procesiranje in umetne nevronske mreže.
Evolucijsko računanje in genetski algoritmi.
Osnovni principi modeliranja: učenje kot modeliranje, kakovost modelov, evaluacija modelov.
Statistično modeliranje: bayesovsko sklepanje, linearni in regresijski modeli, multivariatni modeli, neparametrični modeli, stohastični procesi.
Sistemi za podporo odločanju: klasična teorija odločanja, teorija uporabnosti in teorija iger, večkriterijsko odločanje, negotovost in upoštevanje tveganj, skupinsko odločanje, kakovost odločitvenih modelov.
Inteligentni agenti: pregled področja, agentne arhitekture in teorija agentov, večagentni sistemi.
Procesiranje naravnega jezika: vektorska predstavitev besedil, korpusne metode, pridobivanje informacij, povzemanje., tekstovno rudarjenje.
Spodbujevano učenje: osnovni pristopi in algoritmi, Q učenje, TD učenje
Hevristično preiskovanje: princip minimaksa, alfa-beta rezanje, Monte Carlo drevesno preiskovanje.

Temeljni literatura in viri

Kononenko, M. Robnik-Šikonja: Inteligentni sistemi, Založba FE in FRI, Ljubljana, 2010.
I. Kononenko, M. Kukar: Machine Learning and Data Mining, Horwood publ., 2007.
S.J. Russell, P. Norvig: Artificial Intelligence: A Modern Approach, 3rd ed. Prentice Hall, 2009.

Cilji in kompetence

Cilj predmeta je študente seznaniti s področjem inteligentnih sistemov, ki vsebuje nabor orodij in pristopov za reševanje problemov, ki jih je težko ali nepraktično reševati z drugimi metodami. Študenti morajo biti sposobni teoretično znanje praktično uporabiti na realnih problemih iz znanstvenega in poslovnega okolja. Študenti morajo biti za dani problem sposobni presoje, katero od predstavljenih tehnik uporabiti, ter sestaviti prototip rešitve.
Splošne kompetence:
sposobnost razumevanja in reševanja profesionalnih izzivov,
sposobnost profesionalne komunikacije v domačem in tujem jeziku,
sposobnost samostojne uporabe pridobljenega znanja za reševanje tehničnih in znanstvenih problemov v računalništvu in informatiki,
seznanjenost z raziskovalnimi metodami na področju računalništva in informatike.
Predmetno-specifične kompetence:
uporaba osnovnih algoritmov strojnega učenja
predpriprava podatkov za podatkovno rudarjenje
izbira pomembnih atributov
vrednotenje odločitvenih modelov
uporaba sistemov za podatkovno rudarjenje
uporaba sistemov za optimizacijo z evolucijskim računanjem
analiza besedil s tehnikami podatkovnega rudarjenja
uporaba orodij za spodbujevano učenje.

Predvideni študijski rezultati

Znanje in razumevanje:
Razumevanje konceptov elektronskega poslovanja ter integracija z znanji, dobljenimi pri drugih predmetih s tehničnega in organizacijskega področja.
Uporaba:
Sposobnost za razvoj, administracijo ali vodenje sistemov e-poslovanja v organizacijah.
Refleksija:
Razumevanje teoretičnih konceptov, pridobljenih na predavanjih skozi praktično realizacijo na vajah.
Prenosljive spretnosti - niso vezane le na en
predmet:
Sposobnost integracije pridobljenih znanj z drugimi področji (obvladovanje in načrtovanje inf. sistemov, vodenje projektov, razvoj spletnih aplikacij, mobilne platforme), sposobnost samostojne pisne in ustne predstavitve strokovne problematike ter javnega nastopanja, podjetniško razmišljanje.

Metode poučevanja in učenja

Predavanja, vaje z ustnimi nastopi in predstavitvami, seminarski način dela pri domačih nalogah. Študenti bodo v manjših skupinah samostojno reševali realen problem. Skupine bodo svoje naloge in rešitve opisale v pisnem poročilu in predstavile ostalim v obliki kratke predstavitve, ki je ocenjena skupaj s poročilom.

Načini ocenjevanja

Sprotno preverjanje: domače naloge, kolokviji in projektno delo.
Končno preverjanje: pisni in ustni izpit
(ocene: 5 (negativno), 6-10 (pozitivno), ob upoštevanju Statuta UL)

Reference nosilca

Igor Kononenko:
KONONENKO, Igor, KUKAR, Matjaž. Machine learning and data mining : introduction to principles and algorithms. Chichester: Horwood Publishing, cop. 2007. XIX, 454 str., ilustr. ISBN 1-904275-21-4. ISBN 978-1-904275-21-3. [COBISS-SI-ID 5961556]
ŠTRUMBELJ, Erik, KONONENKO, Igor. An efficient explanation of individual classifications using game theory. Journal of machine learning research, ISSN 1532-4435. [Print ed.], Jan. 2010, vol. 11, no. [1], str. 1-18, ilustr. [COBISS-SI-ID 7543636]
ROBNIK ŠIKONJA, Marko, KONONENKO, Igor. Theoretical and empirical analysis of ReliefF and RReliefF. Machine learning, ISSN 0885-6125. [Print ed.], 2003, vol. 53, str. 23-69, graf. prikazi. [COBISS-SI-ID 3813460]
KONONENKO, Igor, BRATKO, Ivan. Information-based evaluation criterion for classifier's performance. Machine learning, ISSN 0885-6125. [Print ed.], 1991, vol. 6, no. 1, str. 67-80. [COBISS-SI-ID 7717972]
KONONENKO, Igor. Machine learning for medical diagnosis : history, state of the art and perspective. Artificial intelligence in medicine, ISSN 0933-3657. [Print ed.], 2001, vol. 23, no. 1, str. 89-109. [COBISS-SI-ID 2545236]
Marko Robnik Šikonja:
ROBNIK ŠIKONJA, Marko. Data generators for learning systems based on RBF networks. IEEE transactions on neural networks and learning systems, ISSN 2162-237X. [Print ed.], May 2016, vol. 27, no. 5, str. 926-938, ilustr. , doi: . [COBISS-SI-ID 1536875203]
PIČULIN, Matej, ROBNIK ŠIKONJA, Marko. Handling numeric attributes with ant colony based classifier for medical decision making. Expert systems with applications, ISSN 0957-4174. [Print ed.], Nov. 2014, vol. 41, no. 16, str. 7524-7535, graf. prikazi. [COBISS-SI-ID 10715732]
ROBNIK ŠIKONJA, Marko, VANHOOF, Koen. Evaluation of ordinal attributes at value level. Data mining and knowledge discovery, ISSN 1384-5810, 2007, vol. 14, no. 2, str. [225]-243, ilustr. [COBISS-SI-ID 5801556]
ROBNIK ŠIKONJA, Marko, KONONENKO, Igor. Theoretical and empirical analysis of ReliefF and RReliefF. Machine learning, ISSN 0885-6125. [Print ed.], 2003, vol. 53, str. 23-69, graf. prikazi. [COBISS-SI-ID 3813460]
ROBNIK ŠIKONJA, Marko, KONONENKO, Igor. Explaining classifications for individual instances. IEEE transactions on knowledge and data engineering, ISSN 1041-4347. [Print ed.], May 2008, vol. 20, no. 5, str. 589-600, ilustr. [COBISS-SI-ID 6528340]