Wprowadzenie do sztucznej inteligencji 2025

Piątek 9¹⁵ - 11⁰⁰ D-1/29 wykład

Piątek 11¹⁵ - 13⁰⁰ D-1/311c TN/TP ćwiczenia (mgr inż. P.Stopyra)

Piątek 13¹⁵ - 15⁰⁰ D-1/311c TN/TP ćwiczenia (mgr inż. P.Stopyra)

Czwartek 7³⁰ - 9⁰⁰ D-1/317.4 TN/TP laboratorium (mgr inż. K.Tałałaj)

Piątek 7³⁰ - 9⁰⁰ D-1/317.4 TN/TP laboratorium (mgr inż. F.Stepek)

Piątek 11¹⁵ - 13⁰⁰ D-1/317.2 TN/TP laboratorium

Piątek 13¹⁵ - 15⁰⁰ D-1/317.4 TN/TP laboratorium (mgr inż. F.Stepek)

Literatura podstawowa

1. Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach. Pearson Education Limited 2022 (ISBN: 1-292-40113-3)
2. G.F. Luger: Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Pearson 2009

Literatura dodatkowa

1. Donald E.Knuth, Ronald W.Moore: An analysis of alpha-beta pruning. Artificial Intelligence, Volume 6, Issue 4, Winter 1975, Pages 293-326
2. Jure Leskovec, Anand Rajaraman, Jeff Ullman: Mining of Massive Datasets.
   Chapter 7: Clustering
   Chapter 13: Neural Nets and Deep Learning
3. Martin Ester, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu: A density-based algorithm for discovering clusters in large spatial databases with noise. (1996)
4. Mohammed J. Zaki, Wagner Meira: Data Mining and Analysis: Fundamental Concepts and Algorithms. Cambridge University Press 2014

Tematy wykładów (w przybliżeniu)

1. Wprowadzenie. (7-03-2025)
2. Przeszukiwanie przestrzeni stanów - problemy jednosobowe. (14-03-2025)
3. Przeszukiwanie przestrzeni stanów - algorytm A^*. (21-03-2025)
4. Przeszukiwanie przestrzeni stanów - gry dwuosobowe. (28-03-2025)
5. Wstęp do uczenia maszynowego. (4-04-2025)
6. Propagacja wsteczna błędu. (11-04-2025)
7. Usprawnienia sieci neuronowych. (25-04-2025)
8. Klasteryzacja. (9-05-2025)
9. Drzewa decyzyjne. (16-05-2025)
10. Klasyfikacja Bayesowska. (23-05-2025)
11. Probabilistyczne wnioskowanie w czasie. (30-05-2025)
12. Przetwarzanie języka naturalnego. (6-06-2025)
13. Automatyczne dowodzenie twierdzeń. (13-06-2025)
14. Podsumowanie. (18-06-2025)
15. Kolokwium. (Trwa 45 minut. O godzinie 9:15 piszą studenci z numerami indeksu poniżej 275000, a o 10:15 pozostali.) (24-06-2025)

Ćwiczenia

• Lista nr 0
• Lista nr 1
• Lista nr 2
• Lista nr 3
• Lista nr 4
• Lista nr 5
• Lista nr 6

Laboratorium

• Lista nr 1 (termin oddania: drugie pełne laboratorium)
• Lista nr 2 (termin oddania: czwarte pełne laboratorium)
• Lista nr 3 (termin oddania: piąte pełne laboratorium, na konkurs do 10 czerwca) (Pliki pomocnicze: labor3.zip)
• Lista nr 4 (termin oddania: szóste pełne laboratorium)
• Lista nr 5 (nieobowiązkowa) (termin oddania: siódme pełne laboratorium)

Zasady zaliczenia kursu

Kurs będzie zaliczany na podstawie kolokwium końcowego, które odbędzie się na ostatnim wykładzie, oraz na podstawie średniej z ocen za listy na laboratorium (wszystkie listy muszą być oddane).

Zadania na laboratorium powinny być samodzielnie zaimplementowane przez studenta. Prowadzący laboratoria mogą przy zaliczeniu i ocenie list żądać modyfikacji programów pokazujących, że student opanował oddawane algorytmy. Za listę oddaną w terminie uważa się listę oddaną na zajęciach na które jest przeznaczona. Każdy tydzień spóźnienia każdej listy obniża końcową ocenę o 0,5. Zaliczenie wszystkich list jest warunkiem koniecznym zaliczenia kursu.

Aktywność na ćwiczeniach jest ocenianiana w skali od 0 do 6.

Kolokwium jest oceniane w skali od 0 do 5.5. Na kolokwium jedyną dopuszczalną pomocą naukową jest kartka formatu A4, wyraźnie podpisana.

Ocena końcowa jest wyliczana według wzoru: 0.3 oceny z kolokwium + 0.15 oceny za każdą listę z laboratorium + 0.1 aktywności na ćwiczeniach, zaokrąglonej do najbliższej oceny (2.74 zaokrągla się jednak do 2.0, 2.75 do 3.0, 3.25 do 3.5, itd).