Uvod v umetno inteligenco

Opravljen predmet Programiranje 1.

Uvod v umetno inteligenco. Od Turingovega testa do sodobnih definicij umetne inteligence. Osnovni pojmi: racionalni agent in njegova interakcija z okoljem, sistemi večjih agentov, negotovost, strojno učenje. Etični vidiki uporabe umetne inteligence. Samodejno odločanje inteligentnih agentov in posledice odločanja. Pristranskost podatkov za strojno učenje.
Hevristično preiskovanje. Reševanje problemov s preiskovanjem, preiskovalni prostor. Osnovni preiskovalni algoritmi, preiskovanje v globino in širino, najprej najboljši. Primerjava računske zahtevnosti algoritmov. Hevristične funkcije, algoritem A*, sprejemljive hevristične funkcije in optimalnost hevrističnega preiskovanja.
Hevristično preiskovanje za igranje iger z ničelno vsoto. Algoritem Min-Max, preiskovalno drevo algoritma in rezanje drevesa z algoritmom Alpha-Beta.
Zadovoljevanje omejitev. Reševanje problemov z omejitvami. Formalizacija omejitev in propozicijska logika. Formulacija splošnih problemov SAT in 3-SAT. Algoritmi za reševanje splošnega problema 3-SAT.
Obravnava negotovosti v okolju in Baysove mreže. Topologija Bayesovih mrež in njena interpretacija v smislu strnjene predstavitve porazdelitve vektorja slučajnih spremenljivk. Izračun (pogojnih) verjetnosti dogodkov, t.j., vozlišč v Baysovih mrežah. Splošen algoritem za učinkoviti izračun (pogojnih) verjetnosti dogodkov v Bayesovih mrežah.
Strojno učenje. Osnovni problemi nadzorovanega strojnega učenja, preprileganje učnim podatkom, prekletstvo večrazsežnosti. Funkcije izgube in merjenje zmogljivosti modelov. Postopki za ocenjevanje zmogljivosti modelov, učni in testni podatki. Dekompozicija napake na pristranskost in varianco.
Pregled algoritmov za strojno učenje. Naivni Bayesov algoritem. Odločitvena drevesa in ansambli dreves. Linearni modeli za regresijo in klasifikacijo. Nevronske mreže.

• Stuart Russell in Peter Norvig (2020) Artificial Intelligence: A Modern Approach. Četrta izdaja. Pearson. Spletna stran https://aima.cs.berkeley.edu. Izbrana poglavja.
• Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani (2021) An Introduction to Statistical Learning. Druga izdaja. Springer. Prosto dostopna na https://www.statlearning.com. Izbrana poglavja.

Študentje spoznajo osnovne pojme in algoritme umetne inteligence in pridobijo praktično znanje za implementacijo enostavnih algoritmov in uporabo obstoječih implementacij zahtevnih algoritmov umetne inteligence.

Znanje in razumevanje: Poznavanje nekaterih osnovnih algoritmov umetne inteligence ter praktičnih problemov pri katerih se jih lahko smiselno uporabi. Razumevanje teoretičnega ozadja delovanja algoritmov.
Uporaba: Formulacija praktičnih problemov v obliko, ki omogoča reševanje z algoritmi umetne inteligence. Snovanje in implementacija rešitev z uporabo algoritmov umetne inteligence.
Refleksija: Kritična analiza in presoja uporabnosti algoritmov umetne inteligence za reševanje izbranega problema. Analiza etičnih posledic uporabe umetne inteligence.
Prenosljive spretnosti – niso vezane le na en predmet: Algoritmično razmišljanje, zmožnost prepoznavanja računalniških problemov in izbire primernih algoritmov.

Predavanja, vaje, seminarsko oz. skupinsko delo, domače naloge, konzultacije.

Domače naloge in pisni izpit
Izpit iz teorije

Ljupčo Todorovski:
BRENCE, Jure, DŽEROSKI, Sašo, TODOROVSKI, Ljupčo. Dimensionally-consistent equation discovery through probabilistic attribute grammars. [Print ed.]. 2022, vol. 632, str. 742-756. ISSN 0020-0255. DOI: 10.1016/j.ins.2023.03.073.
LUKŠIČ, Žiga, TANEVSKI, Jovan, DŽEROSKI, Sašo, TODOROVSKI, Ljupčo. Meta-model framework for surrogate-basedparameter estimation in dynamical systems. IEEE access. 2019, vol. 7, str. 181829 -181841. ISSN 2169-3536. DOI: 10.1109/ACCESS.2019.2959846.
GRAU LEGUIA, Marc, LEVNAJIĆ, Zoran, TODOROVSKI, Ljupčo, ŽENKO, Bernard. Reconstructing dynamical networks via feature ranking. Chaos. 2019, vol. 29, no. 9, str. 09310-1-093107-15. ISSN 1054-1500. DOI: 10.1063/1.5092170.