Umetna inteligenca

Pogojev za vključitev v delo ni.

Pregled osnovnih metod reševanja problemov in zahtevnejše metode hevrističnega preiskovanja: prostorsko učinkovite metode, reševanje problemov v realnem času.
Metode planiranja po principu sredstev in ciljev: robotsko planiranje, sestavljanje urnikov in planiranje opravil, princip sredstev in ciljev, delno urejeno planiranje, planirni grafi.
Strojno učenje: pregled osnovnih metod (Bayesov klasifikator, učenje dreves in pravil), ocenjevanje verjetnosti, princip minimalne dolžina opisa (MDL), ocenjevanje uspešnosti učenja, principi poenostavljanja pravil in odločitvenih dreves, koncept naučljivosti in teoretične meje učenja.
Nekatere druge paradigme strojnega učenja:
induktivno logično programiranje,spodbujevano učenje, konstruktivno učenje in odkrivanje novih konceptov s funkcijsko dekompozicijo.
Predstavitev in obravnavanje negotovega znanja: sklepanje in učenje v bayesovskih mrežah, konstrukcija mrež in predstavitev vzročnosti
Kvalitativno sklepanje in modeliranje:
kvantitavno in kvalitativno modeliranje, modeliranje brez števil, kvalitativna simulacija.

Genetski algoritmi, genetsko programiranje, in druge alternativne paradigme reševanja problemov.

1) S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, 3rd edition, Prentice-Hall 2009, ISBN-013:978-0-13-604259-4.
2) I. Witten, E. Frank, M.A. Hall, C. Pal, Data Mining, 4th edition, Morgan Kaufmann, 2016, ISBN: 978-0128042915.
3) I. Bratko, Prolog Programming for Artificial Intelligence, Fourth edition, Pearson Education, Addison-Wesley 2011, ISBN: 0201403757.

Poglobljeno znanje o metodah in tehnikah umetne inteligence.
Sposobnost reševanja zahtevnih konkretnih praktičnih problemov z metodami umetne inteligence.
Zmožnost kompetentne uporabe metod in orodij umetne pri raziskovalnem delu, vključno s seminarskimi nalogami pri drugih predmetih in pri diplomskem delu.
Usposobljenost za raziskovalno delo na področju umetne inteligence.

Po zaključku tega predmeta bo študent:

• Razumel napredne preiskovalne algoritme in kompromise med njihovo časovno in prostorsko zahtevnostjo ter kvaliteto dobljenih hevrističnih rešitev
• Razumel algoritme za konstruiranje paralelnih planov in metode delno urejenega planiranja kot zadoščanja omejitev
• Sposoben analizirati praktične probleme preiskovanja in planiranja v konkretnih aplikacijah
• Razumel pristop in metode spodbujevanega učenja za zaporedno verjetnostno odločanje
• Razumel pristop k strojnemu učenju na osnovi matematične logike in njegove praktične prednosti in slabosti
• Razumel principe in algoritme kvalitativnega sklepanja, modeliranja in simulacije
• Sposoben kombiniranja in uporabe metod umetne inteligence v industriji, robotiki, medicini, biologiji itd. ter v znanosti

Predavanja, seminarske naloge in avditorne ter laboratorijske vaje.

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

Pet najpomembnejših del:
1. I. Bratko, Prolog Programming for Artificial Intelligence, 4th edition, Pearson Education – Addison-Wesley, 2011.
2. M. Možina, J. Žabkar, I. Bratko. Argument based machine learning. Artificial Intelligence. Vol. 171 (2007), no. 10/15, 922-937.
3. M. Luštrek, M. Gams, I. Bratko. Is real-valued minimax pathological?. Artificial Intelligence.Vol. 170 (2006), 620-642.
4. D. Šuc, D. Vladušič, I. Bratko. Qualitatively faithful quantitative prediction. Artificial Intelligence. Vol. 158, (2004) no. 2, str. [189]-214,
5. I. Bratko, S. Muggleton. Applications od inductive logic programming. Commun. ACM, 1995, vol. 38 (1995), no. 11, 65-70.
Celotna bibliografija je dostopna na SICRISu:
http://sicris.izum.si/search/rsr.aspx?lang=slv&,id=4496.