DSP332 Mākslīgā intelekta pamati

Kods DSP332
Nosaukums Mākslīgā intelekta pamati
Statuss Obligātais/Ierobežotās izvēles; Brīvās izvēles
Līmenis un tips Pamatstudiju, Akadēmiskais
Tematiskā joma Datorika
Struktūrvienība Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte
Mācībspēks Alla Anohina-Naumeca
Kredītpunkti 3.0 (4.5 ECTS)
Daļas 1
Anotācija Mākslīgais intelekts ir datorzinātnes apakšnozare, kas nodarbojas ar tādu datorsistēmu projektēšanu un izstrādi, kurām piemīt raksturojumi (spēja risināt problēmas, atspoguļot zināšanas, secināt, mācīties, utt.), kas ir saistīti ar intelektu cilvēku uzvedībā. Mūsdienās mākslīgā intelekta metožu, tehnoloģiju un lietojumu attīstība ir ļoti strauja: pašbraucošie transportlīdzekļi, sarunboti, preču rekomendācijas sistēmas, ziņu lasīšanas boti, virtuālie asistenti, neironu tīklos balstītā medicīnas diagnostika, emocionāli intelektuālas mācību sistēmas un iespaidīgi industriālie roboti. Šāda strauji augoša mākslīgā intelekta loma mūsdienu un nākotnes sabiedrībā nosaka vajadzību pēc akadēmiski izglītotiem speciālistiem, kas ir apguvuši mākslīgā intelekta pamatus, zina tā perspektīvas, un kuriem ir pieredze mākslīgā intelekta uzdevumu risināšanā, lai tiktu galā ar problēmu dažādību, ar kurām sastopas inženieri, projektētāji, finanšu speciālisti, izglītības un medicīnas darbinieki, u.tml. Šajā studiju kursā galvenā uzmanība ir pievērsta problēmu stāvokļu telpu konstruēšanai un risinājumu atrašanai, izmantojot neinformētas un heiristiski informētas pārmeklēšanas algoritmus (pārmeklēšana), zināšanu par problēmu atspoguļošanai ar dažādām zināšanu atspoguļošanas shēmām (zināšanu atspoguļošana) un pagātnē savākto datu modeļu atklāšanai un vispārināšanai, lai šos modeļus piemērotu jauniem datiem tādos uzdevumos kā klasifikācija, prognozēšana, datu līdzības atrašana un citos (mašīnmācīšanās). Divpersonu spēļu ar pilnu informāciju realizācija, kurā dators spēlē pret cilvēku, tiek aplūkota kā praktisks lietojums studiju kursā apgūstamajiem jēdzieniem par pārmeklēšanu. Ar datu kopas atlasi, analīzi un apstrādi saistīts praktiskais darbs nodrošina zināšanu nostiprināšanu mašīnmācīšanās jomā. Studiju kursā tiek izmantota apgrieztas klases pieeja (flipped classroom approach), kurā studenti patstāvīgi apgūst e-studiju kursā pieejamos studiju materiālus, lekciju laiku veltot praktisku uzdevumu risināšanai, tai skaitā strādājot pāros vai mazās grupās. Lekcijās piedāvātie praktiskie uzdevumi var tikt risināti gan manuāli, gan izmantojot brīvpieejamus datorizētus rīkus konkrētu uzdevumu izpildei (piemēram, Orange, Segrada, Protégé-Frame u.c.)..
Studiju kursa saturs
Saturs Pilna un nepilna laika klātienes studijas Nepilna laika neklātienes studijas
Kontaktstundas Patstāvīgais darbs Kontaktstundas Patstāvīgais darbs
Mākslīgā intelekta definīcija (intelekta definīcija, mākslīgā intelekta pirmā definīcija, mākslīgā intelekta definīciju kategorijas). 2 1 0 0
Mākslīgais intelekts - datorzinātnes sastāvdaļa (saknes, mērķi, pieejas, uzdevumi, metodes, fizisko simbolu hipotēze). 2 1 0 0
Mākslīgā intelekta attīstības vēsture. 0 1 0 0
Stāvokļu telpas grafs kā problēmrisināšanas procesa formāls atspoguļojums. 2 2 0 0
Spēles koka kā stāvokļu telpas grafa pielietojums. 4 2 0 0
Pārmeklēšana stāvokļu telpas grafā (pārmeklēšanas algoritms, principi, virzieni un atkāpšanās princips). 2 1 0 0
Neinformētas pārmeklēšanas algoritmi (pārmeklēšana dziļumā, pārmeklēšana plašumā, divvirzienu pārmeklēšana plašumā, pārmeklēšana dziļumā ar ierobežotu dziļumu). 4 2 0 0
Pirmais tests. 2 0 0 0
Heiristiski informēta pārmeklēšana un stāvokļu telpas grafa sarežģītība. 4 2 0 0
Heiristiski informētas pārmeklēšanas algoritmi (kalnā kāpšana, vislabākā stāvokļa meklēšana, starveida pārmeklēšana). 4 2 0 0
Heiristiski informētas pārmeklēšanas algoritmi divpersonu spēļu ar pilnu informāciju realizācijai (Minimaksa algoritms, Alfa-beta algoritms, Pārlūkošana uz priekšu par n-gājieniem). 4 2 0 0
Otrais tests. 2 0 0 0
Starpeksāmens. 2 0 0 0
Pirmais praktiskais darbs. 0 15 0 0
Mašīnmācīšanās jēdziens (mašīnmācīšanās definīcija, tipi un terminoloģija). 2 1 0 0
Pārraudzītās mašīnmācīšanās algoritmi (Lineārā regresija un Loģistiskā regresija). 4 2 0 0
Mākslīgo neironu tīklu pamati (vienslāņa perceptrons, daudzslāņu perceptrons). 4 2 0 0
Nepārraudzītā mašīnmācīšanās (K-vidējo algoritms). 4 1 0 0
Otrais praktiskais darbs. 0 15 0 0
Zināšanu atspoguļošana. 2 2 0 0
Tīklveida zināšanu atspoguļošanas shēmas un semantiskie tīkli kā to piemērs. 2 2 0 0
Strukturizētas zināšanas atspoguļošanas shēmas un freimi kā to piemērs. 2 2 0 0
Procesuālu zināšanu atspoguļošanas shēmas un produkciju sistēmas. 2 2 0 0
Trešais tests. 2 0 0 0
Gala eksāmens vai tests. 2 0 0 0
Kopā: 60 60 0 0
Mērķis un uzdevumi, izteikti
kompetencēs un prasmēs 		Studiju kursa mērķis ir izveidot studentu zināšanu sistēmu par tādiem mākslīgā intelekta jēdzieniem kā pārmeklēšana, zināšanu atspoguļošana un mašīnmācīšanās un attīstīt pamatprasmes sarežģītu problēmu risināšanā, izmantojot tādas mākslīgā intelekta metodes kā stāvokļu telpas grafa konstruēšana, neinformētas pārmeklēšanas algoritmi, heiristiski informētas pārmeklēšanas algoritmi, zināšanu atspoguļošanas shēmas un mašīnmācīšanās algoritmi. Studiju kursa uzdevumi paredz attīstīt: - studentu izpratni par mākslīgā intelekta, pārmeklēšanas, mašīnmācīšanās un zināšanu atspoguļošanas jēdzieniem; - studentu prasmes atspoguļot problēmas, izmantojot stāvokļu telpas grafu, un tās risināt, realizējot pārmeklēšanas algoritmus, veidot heiristiskā novērtējuma funkciju un to izmantot heiristiskajā pārmeklēšanā, realizēt divpersonu spēles ar pilnu informāciju, izmantot vairākus pārraudzītas un nepārraudzītas mašīnmācīšanās algoritmus un atspoguļot problēmsfēras zināšanas, izmantojot vairākas zināšanu atspoguļošanas shēmas.
Sasniedzamie studiju
rezultāti un to vērtēšana 		Zina mākslīgā intelekta definīciju kategorijas, Tjūringa testu, mākslīgā intelekta mērķus, pieejas, uzdevumus un metodes. - Pirmais tests, uzdevumu risināšana lekcijās.
Zina stāvokļu telpas grafa un spēles koka definīciju, uzbūves elementus un raksturojumus, pārmeklēšanas procesa pamatprincipus, pārmeklēšanas virzienus, neinformētas pārmeklēšanas algoritmu realizācijas principus. - Pirmais tests, uzdevumu risināšana lekcijās.
Prot veidot spēles koku divpersonu spēlei ar pilnu informāciju. - Uzdevumu risināšana lekcijās, pirmais praktiskais darbs, starpeksāmens, gala eksāmens vai tests.
Prot realizēt neinformētas pārmeklēšanas algoritmus. - Uzdevumu risināšana lekcijās, pirmais tests, starpeksāmens, gala eksāmens vai tests.
Zina heiristisku zināšanu definīciju un lietošanas situācijas, heiristiskā novērtējuma funkcijas sastāvdaļas, stāvokļu telpas grafa sarežģītības aprēķina principus un samazināšanas metodes, heiristiski informētas pārmeklēšanas un divpersonu spēļu ar pilnu informāciju realizācijas principus. - Otrais tests, uzdevumu risināšana lekcijās.
Prot definēt heiristiskā novērtējuma funkciju, kā arī realizēt heiristiski informētas pārmeklēšanas algoritmus. - Uzdevumu risināšana lekcijās, otrais tests, pirmais praktiskais darbs, starpeksāmens, gala eksāmens vai tests.
Prot pielietot Minimaksa un Alfa-beta algoritmus divpersonu spēļu ar pilnu informāciju realizācijai. - Uzdevumu risināšana lekcijās, pirmais praktiskais darbs, starpeksāmens, gala eksāmens vai tests.
Zina mašīnmācīšanās definīciju, tās tipus, pielietojuma situācijas un terminoloģiju, kā arī vairāku mašīnmācīšanās algoritmu būtību. - Trešais tests, uzdevumu risināšana lekcijās.
Prot izmantot vairākus pārraudzītas un nepārraudzītas mašīnmācīšanās algoritmus. - Uzdevumu risināšana lekcijās, otrais praktiskais darbs, trešais tests, gala eksāmens vai tests.
Zina zināšanu atspoguļošanas, zināšanu bāzes un izveduma mehānisma definīciju un nolūku, kā arī dažādu zināšanu atspoguļošanas shēmu elementus, atspoguļošanas likumus, priekšrocības un trūkumus. - Trešais tests, uzdevumu risināšana lekcijās.
Prot atspoguļot problēmsfēras zināšanas, izmantojot vairākas zināšanu atspoguļošanas shēmas. - Uzdevumu risināšana lekcijās, trešais tests, gala eksāmens vai tests.
Studiju rezultātu vērtēšanas kritēriji
Obligātais/Obligātais izvēles: - 100%
Uzdevumu risināšana lekcijās - 20%
Testi - 10%
Starpeksāmens - 15%
Pirmais praktiskais darbs - 20%
Otrais praktiskais darbs - 20%
Gala eksāmens - 15%
Brīvās izvēles: - 100%
Pirmais praktiskais darbs - 35%
Otrais praktiskais darbs - 35%
Gala tests - 30%
 
Priekšzināšanas Studentiem ir jāpārzina dažādu datu struktūru, tādu kā saraksti, steki un rindas raksturojumi un apstrādes iespējas, kopas un darbības ar kopām, attieksmes, to veidi un īpašības, grafu teorijas pamatjēdzieni un grafu speciālie veidi – koki un tīkli. Papildus ir jābūt zināšanām matemātikā (lineārās un loģistiskās funkcijas, darbības ar matricām un vektoriem).
Studiju kursa plānojums
Daļa KP EKPS Stundas Pārbaudījumi Pārbaudījumi (brīvai izvēlei)
Lekcijas Prakt. d. Lab. Ieskaite Eksāmens Darbs Ieskaite Eksāmens Darbs
1 3.0 4.5 3.0 0.0 0.0 * *
Pieteikties uz šo kursu
[Kursa apraksts PDF formātā]