FOI nastava
FOI logo

Lista kolegija iz:

ak.god:
2014/2015
semestar:
3. semestar

2014/2015

4ECTSa

Diplomski

Diplomski studij informatike v1.2

Program Obavezan
Baze podataka i baze znanja BPBZ Da
Informatika u obrazovanju IO Ne
Informacijsko i programsko inženjerstvo IPI Ne
Organizacija poslovnih sustava OPS Ne
3. semestar
2. nastavna godina

Inteligentni sustavi npp:93137

Engleski naziv

Intelligent Systems

Katedra

Katedra za razvoj informacijskih sustava

Kategorija ("boja")

UP

Cilj kolegija

Kroz ovaj kolegij treba se stvoriti čvrsto teorijsko znanja tehnologije inteligentnih sustava i njihovih najznačajnijh tehnika, što treba omogućiti kompetenciju slušača u rješavanju konkretnih kompleksnih problema praktične primjene, ali i istraživanja. Pored toga, naglasak se daje na stjecanja kompetencije za praktičnu primjenu teorijskog znanja za rješavanje složenih problema. Kroz vježbe upoznaju se i uvježbavaju najučinkovitije metode u primjeni, te produbljuje teorija s predavanja. To se postiže primjenom najkvalitetnijh programskih alata na području inteligentnih sustava, korištenjem ilustrativnih primjera iz prakse i primjenom složenih tehnika i metoda, koje su dobro opisane teorijski na predavanjima i prisutne u programskim alatima.

Nastava

Predavanje
30sati
Vježbe (jezici, tzk)
30sati

Ishodi učenja predmeta

  • definirati pojam agenta i više agentnih sustava te implementirati inteligentne agente
  • izgraditi neuronsku mrežu, učiti, testirati te optimizirati mrežu
  • objasniti pojam elicitacije znanja, usporediti različite tehnike elicitacije znanje i odabrati najprikladniju, te provesti elicitaciju znanja nekom od tehnika
  • objasniti principe neuronskih mreža
  • objasniti tehnike prikaza znanja i njihovu primjenu
  • objasniti tehnologije inteligentnih sustava i definirati njihove najznačajnije tehnike
  • primijeniti tehnike zaključivanja temeljenog na slučajevima
  • primjeniti genetske algoritme u svrhu optimalizacije te analizirati utjecaje pojedinih parametara
  • razviti inteligentni sustav metodom KADS-a

Ishodi učenja programa

  • Modelirati i izgraditi sustav izvođenja analitičkih podataka iz transakcijskih metodama rudarenja i drugim metodama, te izgradnje skladišta podataka u koja se ti podaci pohranjujuModelirati i izgraditi sustav izvođenja analitičkih podataka iz transakcijskih metodama rudarenja i drugim metodama, te izgradnje skladišta podataka u koja se ti podaci pohranjuju
  • Modelirati i izgraditi sustave poslovne inteligencije temeljene na skladištima podataka, kao i njihovo pretraživanje korištenjem metoda višedimenzionalnih kocaka podataka (OLAP)Modelirati i izgraditi sustave poslovne inteligencije temeljene na skladištima podataka, kao i njihovo pretraživanje korištenjem metoda višedimenzionalnih kocaka podataka (OLAP)
  • Modelirati i izgraditi sustave temeljene na znanju, kao što su višeagentni sustavi, deduktivni sustavi (uključujući i ekspertne sustave), semantički Web sustavi, neuralne mreže itd.Modelirati i izgraditi sustave temeljene na znanju, kao što su višeagentni sustavi, deduktivni sustavi (uključujući i ekspertne sustave), semantički Web sustavi, neuralne mreže itd.
  • Odabrati i primijeniti metode i tehnike razvoja informacijskih i programskih sustava u suvremenim razvojnim okolinamaOdabrati i primijeniti metode i tehnike razvoja informacijskih i programskih sustava u suvremenim razvojnim okolinama
  • Primijeniti metode i tehnike pretraživanja i klasifikacije informacijaPrimijeniti metode i tehnike pretraživanja i klasifikacije informacija

Sadržaj predavanja

  • Uvod
    Pregled taksonomija inteligentnih sustava, metoda, arhitektura i izvođenje zaključivanja.
  • Formalni modeli traženja i heuristike; genetski algoritmi
    Matematički modeli, grafovi i stabla odlučivanja. Rekurzija i indukcija, problemska područja i stabla traženja. Jednostavne metode traženja stabala: najprije u dubinu, u širinu i iterativno produblivanje. Heurističko traženje. Parcijalno traženje. Formalni modeli ulančavanje unaprijed i unatrag, rezolucija konflikata, hibridni pristupi. Objašnjavanje zaključivanja. Algoritmi optimalizacije. Izlaz iz lokalnog minimuma. Genetski algoritmi: uvod, reprezenatcija rpoblema, opis algoritama, operacije: selekcija, križanje, mutacija. Tipičan primjer primjene genetskog algoritma, praćenje odvijanja i utjcaj varijacije parametara. Računalni resurski za provođenje. Varijante genetskih algoritama. Paralelni genetski algoritmi. Usporedba s ostalim paradigmama.
  • Nesigurnost
    Teorija vjerojatnosti, konačni vjerojatnostni prostori, uvjetna vjerojatnost i Bayesov teorem, nezavisnost složenih događaja i slučajnih varijabli. Bayesove mreže i usmjereni aciklički grafovi. Vrste Bayesovih mreža: bipartitni problemi višestrukih dijagnoza, jednostruko povezani usmjereni aciklički grafovi, faktori sigurnosti, dedukcija, abdukcija i inukcija. Dempster-Schafer teorija vjerovanja. Neizraziti skupovi, logika i zaključivanje. Svojstva računalnih modela: dugački nizovi dedukcije, robustnost, mogućnost računanja, psihološka vrijednost, izbor sustava.
  • Prikaz znanja
    Objektno orijentirani sustavi. Apstrakcija podataka, nasljeđivanje svojstava, enkapsulacija, uvezivanje varijabli, poruka i pozivi funkcija, sustavi temeljeni na okvirima.
  • Agenti
    Inteligentni agenti. Agenti i objekti, arhitekture, višeagentni sustavi. Djelovanje, svojstva, struktura, vrste (jednostavni refleksni, s bilježenjem promjena u okolini, temeljeni na cilju, temeljeni na korisnosti), okolina, opis okoline.
  • Učenje
    Simboličko učenje. Indukcija. Zaključivanje temeljeno na slučajevima: temelji, problemi izračunavanja, modficirane metrike, izbor relevantnih atributa.
  • Neuronske mreže
    Neuronske mreže: prirodni i umjetni neuroni. Nadgledano učenje (perceptroni, jednoslojni i višeslojni), radijalni neuroni, mreže s vremenskim kašnjenjem, rekurentne mreže. Modeli neuronskih mreža za nenadgledano učenje (teorija adaptivne rezonancije), asocijativna memorija. Pregled modela neuronskih mreža, neizrazite neuronske mreže, hijerarhijske i modularne mreže. Klasa domena prmjene.
  • Inženjerstvo znanja
    Sustavi temeljeni na znanju i inženjerstvo znanja. Temelji inženjerstva znanja. Primjena UML-a. Modeliranje organizacije. Komponente modela znanja. Predlošci i konstrukcija modela znanja, tehnike elicitacije znanja, modeliranje komunikacijskih aspekata. Ciklus razvoja inteligentnih sustava, metoda CommonKADS: dizajn arhitekture sustava, identifikacija platforma za implementaciju, specifikacija arhitekture, specifikacija aplikacija unutar arhitekture, dizajn prototipova, distribuirane arhitekture. Upravljanje projektima.

Sadržaj seminara/vježbi

  • Vježbe: Tehnike ulančavanja i traženja
    Tehnike pretraživanja prostora stanja. Heurističko pretraživanje. Ulančavanje unaprijed – prednosti i nedostaci, primjer. Ulančavanje unatrag – prednosti i nedostaci, primjer. Kombinirano ulančavanje – prednosti i nedostaci, primjer. Usporedba ulančavanja.
  • Genetski algoritmi I
    Uvod u teoriju genetskih algoritama. Osnovni pojmovi - kromosomi, geni, genotip, generacija, funkcija prilagođenosti (fitness), reprodukcija, križanje, mutacija. Koraci u primjeni genetičkih algoritama – prikaz mogućih rješenja problema preko kromosoma, stvaranje više generacija kromosoma, učinkovitost kromosoma, slučajni odabir i križanje. Analiza jednostavnog primjera upotrebe genetskih algoritama. Računski zadaci. Izrada programskog primjera genetskih algoritama - XpertRule Knowledge Builder. Određivanje varijabli. Definiranje atributa. Izrada procedura. Povezivanje varijabli i genetskih algoritama preko procedura. Izrada stabla odlučivanja. Optimalizacija. Rješavanje programskih zadataka.
  • Genetski algoritmi II
    Optimizacija genetskim algoritmima. Izrada složenog programskog primjera – XpertRule Knowledge Builder. Parametri koji utječu na genetske algoritme – kromosomi, broj jedinki, broj generacija, funkcija prilagođenosti, vjerojatnost križanja, vjerojatnost mutacije. Analiza utjecaja pojedinih parametara optimizacije na rezultat. Rješavanje programskih zadataka.
  • Nesigurnost - Bayesove mreže
    Bayesov teorem. Vjerojatnosni pristup sigurnosti. Mjere vjerovanja – karakteristike. Rješavanje zadataka.
  • Faktori sigurnosti
    Pojam nesigurnih i neizrazitih varijabli. Razlike nesigurnosti i neizrazitosti. Utjecaj nesigurnosti na zaključivanje. Algebra faktora sigurnosti. Sigurnost logičkih izraza. Utjecaj neizrazitih varijabli na zaključivanje. Operacije s neizrazitim varijablama – dodjeljivanje vrijednosti, oduzimanje vrijednosti, inverzna sigurnost. Primjeri i rješavanje računskih zadataka.
  • Prikaz znanja (Clips)
    Tehnike prikaza znanja. Okviri. Rad s okvirima. Demoni. Nasljeđivanje svojstava. Prenošenje poruka. Klase objekata – definiranje klase, mijenjanje klase, brisanje klase. Kreiranje slučajeva. Rukovatelj porukama. Višestruko nasljeđivanje svojstava.
  • Agenti I
    Pojam agenta i više agentnih sustava. Karakteristike agenata – neprekidno izvođenje, svjesnost okoline, svjesnost agenata, autonomnost, prilagodljivost, inteligencija, mobilnost, antropomorfizam, reprodukcija. Vrste agenata – inteligentni agenti, product brokering, merchant brokering, pregovaranje. Strategije pregovaranja – strategija %22bez inteligencije%22, heurističko pregovaranje, metoda rekurzivnog učenja. Analiza primjera agenata i njihove primjene.
  • Agenti II
    Implementacija inteligentnih agenata. Komunikacijski jezici i protokoli – XML sheme. Komunikacijski jezici agenata – komunikacija agenata na semantičkoj razini: Knowledge Query Manipulation Language i Agent Communication Language, te komunikacija agenata na kontekstualnoj razini Knowledge Interchange Format. Razvojne okoline - Agent Builder, Agent Building Environment, Agent Building Shell, Agent Development Environment, Multi-Agent Systems Tool. Platforme za razvoj agenata. Izrada agenta u razvojnoj okolini Agent Builder.
  • Zaključivanje temeljeno na slučajevima (CBR)
    Analiza tehnike zaključivanja temeljenog na slučajevima. Upotreba postojećih rješenja za rješavanje novih problema. Izrada programskog rješenja. Upotreba CBR-a za potrebe optimalizacije – izgradnja komponenti rješenja od podkomponenti nad kojima je primijenjena optimizacija CBR postupkom. Analiza aplikacija (CASPIAN, CASUEL, Instance Based Learner).
  • Neuronske mreže – tehnike
    Principi neuronskih mreža. Osnovni pojmovi – neuroni, veze, ulazni i skriveni slojevi, težina veze, funkcija prijenosa, interna aktivacija. Matematički model neuronskih mreža. Neuronske mreže – objašnjenje modela na alatu NeuroSolutions 4. Back-propagation mreža. Višeslojna mreža. Nenadgledano učenje. Nadgledano učenje. Fuzzy neuronska mreža. Neuronska mreža s optimizacijom genetskih algoritama.
  • Neuronske mreže – procedure
    Prikaz alata Neural Works Predict – sučelja, način rada, naredbe. Izgradnja jednostavne mreže %22širenje unatrag%22. Prosudba veza i neurona u mreži. Skrivanje i prikazivanje veza neurona. Parametri sloja neurona. Instrumenti za učenje mreže. Učenje mreže. Testiranje mreže. Slučajno određivanje i inicijalizacija težina u mreži. Podešavanje parametara učenja mreže i provjera učinka učenja. Optimizacija mreže.
  • Inženjerstvo znanja - modeli KADS i UML
    Metodologija KADS. Modeli KADS-a – model stručnog znanja, model organizacije, model zadaća, model agenata, komunikacijski model, model dizajna. Izrada modela KADS-a. UML. D-329 Notacija i dijagramske tehnike UML-a. Dijagrami aktivnosti – aktivnost, odluka, konkurentnost, tok objekata. Dijagrami stanja – stanje, varijable stanja, aktivnosti stanja, istovremenost stanja, generalizacija stanja. Dijagrami klasa – objekti klase, atributi, vrijednosti, identifikatori objekata, operacije, asocijacije, brojnost veze, klase asocijacija, generalizacija, agregacija, kompozicija. Dijagrami slučajeva korištenja – slučaj korištenja, korisnik. Izrada modela u alatu Rational Rose.
  • Modeliranje organizacije
    Modeliranje organizacije modelima KADS-a u alatu Rational Rose. Model organizacije - modeliranje organizacijskih procesa dijagramima aktivnosti. Komunikacijski model - modeliranje dinamičkog ponašanja organizacije dijagramima stanja. Model zadaća – modeliranje statičke strukture informacija dijagramima klase. Model agenata i dizajna – modeliranje funkcionalnosti sustava dijagramima slučajeva korištenja. Modeliranje primjera stvarne organizacije.
  • Tehnike elicitacije znanja
    Pojam elicitacije znanja. Uloga elicitacije znanja u razvojnom ciklusu sustava temeljenog na znanju. Tehnike elicitacije znanja od ljudskih eksperata - intervju, usredotočena diskusija, teach back, elicitacija konstrukata, sortiranje zadataka, %22penjanje po ljestvama%22, %2220 pitanja%22, stvaranje matrice, kritiziranje, protokoli, igranje uloga, simulacije. Elicitacija znanja iz ostalih izvora – iz postojećih sustava, iz dokumenata, iz fizičke ili socijalne okoline. Problemi elicitacije znanja. Karakteristike elicitatora. Primjeri elicitacije znanja. Izrada KADS modela znanja za prikupljeno znanje.
  • Dizajn arhitekture sustava
    Izrada sustava za primjer stvarne organizacije – Xpert Rule Knowledge Builder. Primjena modela KADSa (vježbe Modeliranje organizacije) i modela znanja (vježbe Tehnike elicitacije znanja) u dizajnu arhitekture sustava.
  • Vježbe
    U okviru vježbi studenti će korisiti standardne programske alate : predviđena je promjena alata, ukoliko će se na tržištu pojaviti softver koji se može kvalitetnije primijeniti za potrebe edukacije. Podrazumijevaju se alati XpertRule Knowledge Builder, Neural Works Predict, Rational Rose i Clips.

Osnovna literatura

  • Luger, G.F. Artifical intelligence: structures and strategies for complexx problem solving. 6th ed., Pearson Addison Wesley, Boston, 2009.
  • Munakata, T. Fundamentals of the new artificial intelligence: neural, evolutionary, fuzzy and more. 2nd ed., Springer, London, 2008.
  • Hopgood, A.A. Inteligent Systems for Engineers and Scientists. 2nd ed., CRS, Boca Raton, 2000.

Dopunska literatura

  • Proceedings of the AAAI National Conference on Artificial Intelligence
  • Proceedings of the AAAI Innovative Applications of Artificial Intelligence Conference
  • Proceedings of the Florida AI Research Symposium Conferences (FLAIRS)
  • Proceedings of the Knowledge Discovery and Data Mining Conference

Slični predmeti

  • Foundations of AI, Albert-Ludwigs-Universität Freiburg, Institut für Informatik
Nastavnik Oblik nastave Tjedana Sati tjedno Grupa
Kliček Božidar Predavanje 10 3 1
Oreški Dijana Laboratorijske vježbe 10 3 3
Izvanredni rok
Datum: 21.11.2019.
Vrijeme: 16:00
Napomena:
Izvanredni rok
Datum: 21.04.2020.
Vrijeme: 16:00
Napomena:
Predavanje Seminar Auditorne vježbe Laboratorijske vježbe Vježbe (jezici, tzk) Ispit Kolokviji Nadoknade Demonstrature
Copyright © 2015 FOI Varaždin. All Rights Reserved. Sva prava pridržana.
Povratak na vrh