Umetna inteligenca

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.

Način (pisni izpit, ustno izpraševanje, naloge, projekt):

Sprotno preverjanje (domače naloge, kolokviji in projektno delo)
Končno preverjanje (pisni in ustni izpit)

Ocene: 6-10 pozitivno, 5 negativno
(v skladu s Statutom UL).

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.