Inteligentne systemy informacyjne 400-IS1-3ISI
1. Wprowadzenie. Inteligencja
Podano opisową definicję pojęcia inteligencji i sztucznej inteligencji. W odniesieniu do inteligencji ludzkiej podejście zaproponowane przez H. Gardnera, który postrzega inteligencję jako wielowymiarową właściwość ludzkiego mózgu/umysłu. Sztuczną inteligencję zdefiniowano, stosując jej definicję podaną przez J. McCarthy'ego.
2. Podstawowe pojęcia: dane, informacje, wiedza, system, system informacyjny
Do zdefiniowania pojęć danych, informacji i wiedzy zastosowano podejście lingwistyczne. Zdefiniowano pojęcie systemu informacyjnego, wskazując na różnice z terminem system informatyczny. Opisano pojęcie inteligentnego systemu informacyjnego, wskazując te komponenty klasycznych systemów informacyjnych, w których można stosować techniki sztucznej inteligencji. Omówiono przykłady inteligentnych systemów informacyjnych.
3. Reprezentacja wiedzy
Podano formalną definicję reprezentacji wiedzy jako pary: (i) języka i (ii) zestawu operatorów manipulacji wiedzą, ze szczególnym uwzględnieniem mechanizmów wnioskowania. Mechanizm wnioskowania jest kluczowym elementem tej definicji, ponieważ określa poziom „inteligencji” systemu. Wybór reprezentacji wiedzy decyduje o skuteczności inteligentnego systemu informacyjnego; wpływa również na sposób jego zaprojektowania, koszty wdrożenia i sposób jego wykorzystania.
4. Naiwny klasyfikator Bayesa
Naiwny klasyfikator Bayesa jest przedstawiony jako przykład głównego elementu inteligentnego systemu informacyjnego, który jest również systemem decyzyjnym. Dzieje się tak, ponieważ: (i) zbiór danych jest modelem informacyjnym świata rzeczywistego; i (ii) odpowiada na pytania takie jak: do której z istniejących klas należy zaklasyfikować wskazany obiekt?
5. Logika klasyczna jako metoda reprezentacji wiedzy. System informacyjny
w logice
W wykładzie logika klasyczna odgrywa szczególną rolę jako metoda reprezentacji wiedzy, stanowiąc swoisty punkt odniesienia dla innych metod (benchmark). Formalnie rzecz biorąc, systemy informacyjne w logice są teoriami. Podano przykład systemu informacyjnego w logice, pokazujący, że odpowiadanie na pytania dotyczy dowodzenia twierdzeń.
6. Systemy informacyjne w logice nieklasycznej
Domyślna logika Reitera pozwala na opisywanie typowych/przypadkowych sytuacji, choć obciążonych niepewnością. Podano przykład systemu informacyjnego opartego na tej logice.
7. Sieci semantyczne
Podano definicję atomów semantycznych (atomów semantycznych, prymitywów semantycznych, uniwersaliów semantycznych). Przedstawiono genezę i zastosowania atomów semantycznych, np. tworzenie metajęzyków, w których możliwe jest pisanie zdań danego języka naturalnego w skróconej formie składniowej i w ten sposób tworzenie systemów informacyjnych.
8. Atomy semantyczne
Podano definicję atomów semantycznych (atomów semantycznych, prymitywów semantycznych, uniwersaliów semantycznych). Przedstawiono genezę i przeznaczenie atomów semantycznych, tj. tworzenie metajęzyków, w których możliwe jest pisanie zdań danego języka naturalnego w skróconej formie składniowej i w ten sposób tworzenie systemów informacyjnych.
9. Ramy i skrypty
Ramy Minsky'ego opisują głównie strukturalny aspekt świata modelowanego w systemie informacyjnym, pokazując obiekty i relacje w nim występujące. Omówiono skrypty zaproponowane przez R. Abelsona i R. Schanka jako rozszerzenie koncepcji ramowej w celu przedstawienia behawioralnego aspektu świata.
10. Ontologie
Podano definicję ontologii. Ontologie przedstawiono jako narzędzie do modelowania zarówno strukturalnych, jak i behawioralnych aspektów świata rzeczywistego i tworzenia systemów informacyjnych, w tym systemów inteligentnych, w których można wnioskować w odniesieniu do obiektów i sytuacji, które reprezentują. Reprezentując ontologie wiedzy domenowej, są one również platformami do uzgadniania, autoryzacji i dzielenia się wiedzą w obrębie społeczności, które z nich korzystają.
11. Sieci neuronowe i wielkie modele językowe
Ten moduł zawiera podstawowe informacje o sieciach neuronowych, w tym sieciach głębokich oraz o wielkich modelach językowych. Podano przykład systemu informacyjnego wykorzystującego głęboką sieć neuronową.
Rodzaj przedmiotu
Założenia (opisowo)
Koordynatorzy przedmiotu
Tryb prowadzenia przedmiotu
Efekty kształcenia
Absolwent:
WIEDZA
KP6_WG4 – zna i rozumie podstawowe techniki i metody programowania, paradygmaty i języki programowania.
KP6_WG5 - zna i rozumie zasady logicznej organizacji, kolekcjonowania i przechowywania danych.
KP6_WG9 - zna i rozumie podstawowe zagadnienia w dziedzinie sztucznej inteligencji, reprezentacji i przetwarzania wiedzy, komunikacji człowiek-komputer.
UMIEJĘTNOŚCI
KP6_UW2 – potrafi wykorzystać metody statystyczne do analizy danych
KP6_UW4 – potrafi wybierać odpowiedni paradygmat i język programowania do rozwiązania określonego typu zadań.
KP6_UW5 - potrafi implementować algorytmy stosując odpowiednie elementy wybranego języka programowania.
KP6_UW10 - potrafi rozwiązywać problemy wyrażone w języku naturalnym technikami sztucznej inteligencji oraz komunikacji człowiek-maszyna.
KP6_UK3 - potrafi samodzielnie opracować rozwiązanie zadanego zagadnienia informatycznego z pogranicza teorii i praktyki oraz przedstawić rozwiązanie i wnioski.
KP6_UO1 - potrafi współpracować w grupie planując i realizując wspólne projekty, w tym kompleksowe projekty programistyczne.
KP6_UU2 – potrafi śledzić i przyswajać sobie nowe narzędzia i metody informatyczne.
KOMPETENCJE SPOŁECZNE
KP6_KK1 – jest gotów do starannego określania priorytetów i ustalania właściwej kolejności podejmowanych działań.
KP6_KO1 - jest gotów do przyjęcia kreatywnej i innowacyjnej postawy niezbędnej do podjęcia praktycznej aktywności w społeczeństwie informacyjnym.
Kryteria oceniania
Forma zaliczenia przedmiotu:
Wykład: egzamin pisemny (test złożony z 10 pytań) oraz rozmowa egzaminacyjna.
Laboratorium: zaliczenie prac laboratoryjnych w formie sprawozdań pisemnych i rozmowy z prowadzącym laboratorium na temat treści sprawozdań.
Projekt: zaliczenie prac laboratoryjnych i projektowych w formie sprawozdań pisemnych i rozmowy z prowadzącym laboratorium i projekt na temat treści sprawozdań.
Literatura
1. Barr A., Feigenbaum E. A., The Handbook of Artificial Intelligence, vol. I, II, III, William Kaufmann Inc, 1981.
2. Brachman R., Levesque H. (editors): Readings in Knowledge Representation, Morgan Kaufmann, 1985.
3. Brachman R., Levesque H.: Knowledge Representation and Reasoning, Morgan Kaufmann, 2004.
4. Cichosz P.: Systemy uczące się. Warszawa, WNT, 2001.
5. Cichosz P.: Data Mining Algorithms. Explained Using R. Wiley, 2015.
6. Gelfond M., Kahl Y., Knowledge Representation, Reasoning, and the Design of Intelligent Agents: The Answer-Set Programming Approach, Cambridge University Press, 2014.
7. van Harmelen F., Lifschitz V., Porter B. (edytorzy), Handbook of Knowledge Representation, Elsevier, 2008.
8. Jakus G., Milutinovic V., Omerovic S., Concepts, Ontologies, and Knowledge Representation, Springer, 2013.
9. Sztuczna inteligencja dla inżynierów. Metody ogólne. Wydawnictwo Politechniki Warszawskie, 2022.
10. Sztuczna inteligencja dla inżynierów. Istotne obszary i zastosowania. Wydawnictwo Politechniki Warszawskie, 2023.
11. Muraszkiewicz M., Rybiński H.: Bazy danych, Wydawnictwo Akademickie, 1993.
12. Russel S., Norvig P.: Artificial Intelligence. A Modern Approach. Pearson Education Inc., 4th edition, 2020.
13. Sowa J.F.: Knowledge Representation: Logical, Philosophical, and Computational Foundations, Brooks Cole Publishing Co., Pacific Grove, 2000.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: