FOI nastava
FOI logo

Lista kolegija iz:

ak.god:
2017/2018
semestar:
3. semestar

2017/2018

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 9 3 1
Oreški Dijana Laboratorijske vježbe 10 3 4
Predavanje 1 3 1
Nema definiranih ispitnih rokova

Inteligentni sustavi - Redovni studenti

Studij: Diplomski studij informatike
Akademska godina: 2017/2018

Praćenje rada studenata

Elementi praćenjaBodova
Kolokvij 115
Kolokvij 215
Zadaci na vježbama25
Projekt45
ZBROJ100


Bodovna skala ocjena

OdDoOcjena
0 49 nedovoljan (1)
50 60 dovoljan (2)
61 75 dobar (3)
76 90 vrlo dobar (4)
91 100 odličan (5)



Kolokviji

Naziv / Tjedan 1234567891011121314151617 1. razdoblje
udio (%)
2. razdoblje
udio (%)
3. razdoblje
udio (%)
Trajanje Pismeni Usmeni
Kolokvij 1 + 100.0
Kolokvij 2 + 100.0


Opis elemenata praćenja

Elementi praćenja Bodovi Uvjet Opis Nadoknada
Granica Opis Rok
Kolokvij 1 15 0 Rješavanje zadataka uz dodatak teoretskih pitanja otvorenog ili zatvorenog tipa. Kolokvij se rješava na Moodleu.
Kolokvij 2 15 0 Rješavanje zadataka uz dodatak teoretskih pitanja otvorenog ili zatvorenog tipa. Kolokvij se rješava na Moodleu.
Zadaci na vježbama 25 0 Tijekom semestra rješava se nekoliko zadatka koja zajedno nose 25 bodova. Student treba samostalno riješiti zadatak tijekom laboratorijskih vježbi (ili kod kuće) i postaviti na moodle unutar zadanog roka. Rješenja zadaća provjeravaju se tijekom laboratorijskih vježbi ili preko sustava za e-učenje.
Projekt 45 20 Projekt čiju temu student bira među ponuđenim temama od strane nastavnika ili sam predlaže temu. Student treba samostalno ili u timu izraditi, dokumentirati i obraniti projekt. Projekt se može braniti tijekom 3. nastavnog i 3. međuispitnog razdoblja. Korištenje tuđeg rješenja/plagijat je zabranjeno te povlači disciplinsku odgovornost.


Inteligentni sustavi - Izvanredni studenti

Studij: Diplomski studij informatike
Akademska godina: 2017/2018

Praćenje rada studenata

Elementi praćenjaBodova
Kolokvij50
Pismeni ispit50
ZBROJ100


Bodovna skala ocjena

OdDoOcjena
0 49 nedovoljan (1)
50 60 dovoljan (2)
61 75 dobar (3)
76 90 vrlo dobar (4)
91 100 odličan (5)



Kolokviji

Naziv / Tjedan 1234567891011121314151617 1. razdoblje
udio (%)
2. razdoblje
udio (%)
3. razdoblje
udio (%)
Trajanje Pismeni Usmeni
Kolokvij + 50.0 50.0


Opis elemenata praćenja

Elementi praćenja Bodovi Uvjet Opis Nadoknada
Granica Opis Rok
Kolokvij 50 Rješavanje zadataka uz dodatak teoretskih pitanja otvorenog ili zatvorenog tipa. Kolokvij se rješava na Moodleu.
Projekt 50 25 Projekt čiju temu student bira među ponuđenim temama od strane nastavnika ili sam predlaže temu. Student treba samostalno ili u timu izraditi, dokumentirati i obraniti projekt. Projekt se može braniti tijekom 3. nastavnog i 3. međuispitnog razdoblja. Korištenje tuđeg rješenja/plagijat je zabranjeno te povlači disciplinsku odgovornost.


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