Sztuczna inteligencja: aktualny stan i perspektywy rozwoju
|
|
- Mikołaj Nowacki
- 8 lat temu
- Przeglądów:
Transkrypt
1 SGH Business Intelligence, Sztuczna inteligencja: aktualny stan i perspektywy rozwoju Andrzej Kisielewicz Wydział Matematyki i Informatyki Uniwersytet Opolski marzec 2012
2 Wstęp Aktualny kryzys w AI problem nieodpowiedzialnych deklaracji sposób finansowania nauki
3 Wstęp Aktualny kryzys w AI problem nieodpowiedzialnych deklaracji sposób finansowania nauki
4 Wstęp Aktualny kryzys w AI problem nieodpowiedzialnych deklaracji sposób finansowania nauki
5 Wstęp P.H. Winston, Artificial Intelligence 1977 ciagle jeszcze nie udało się zbudować systemu, którego ogólna inteligencja mogłaby się mierzyć z inteligencja czteroletniego dziecka! To stwierdzenie pozostaje prawdziwe do dziś!
6 Wstęp Aktualny kryzys w AI problem nieodpowiedzialnych deklaracji sposób finansowania nauki
7 Wstęp H. Simon (1957) Nie jest moim celem zaskakiwanie was lub szokowanie ale najprostszym sposobem ujęcia tego jest to, że istnieja już na świecie maszyny które myśla, które ucza się i tworza. Co więcej, ich zdolność do robienia tych rzeczy będzie gwałtownie wzrastać, a wkrótce zakres problemów, które będa podejmować, pokryje się z tym, które podejmuje ludzki mózg.
8 Wstęp M.Minsky (1968) Za trzy do ośmiu lat będziemy w posiadaniu maszyny o inteligencji przeciętnego człowieka. Mam na myśli maszynę, która będzie w stanie czytać Szekspira, zmienić olej w samochodzie, brać udział w biurowej polityce, opowiedzieć dowcip, walczyć. Od tego momentu maszyna ta zacznie się uczyć w zawrotnym tempie. Za kilka miesięcy osiagnie poziom geniusza, a kilka dalszych miesięcy później jej możliwości będa niemierzalne.
9 Wstęp Aktualny kryzys w AI problem nieodpowiedzialnych deklaracji sposób finansowania nauki
10 Kosmiczna Odyseja 2001 D.G. Stork (ed.) 1997: The best-informed dream 1968 film by Stanley Kubrick and Arthur C. Clarke
11 1968 Kosmiczna Odyseja 2001 przewidywania: podróż na Jowisza 2001 hibernacja HAL komputer pokładowy dowodzacy misja
12 Przedmiot badań AI Definicja sztucznej inteligencji Dziedziny kierunki badań Metody podejścia
13 Przedmiot badań AI Definicja sztucznej inteligencji Dziedziny kierunki badań Metody podejścia
14 Przedmiot badań AI różne definicje (Russell and Norvig, 2003) Uczynienie komputerów bystrzejszymi, tworzenie maszyn wykonujacych funkcje, które wymagaja ludzkiej inteligencji, wyjaśnianie i imitowanie inteligentnego zachowania w procesach obliczeniowych, badania własności umysłu przy pomocy komputerowych modeli badania z zakresu logiki, psychologii, lingwistyki, filozofii...
15 Przedmiot badań AI Ogólna idea stworzenie sztucznego człowieka, człekopodobnego robota (filmy: Terminator, Łowca androidów,...)
16 Przedmiot badań AI Ogólna idea stworzenie sztucznego człowieka, człekopodobnego robota (filmy: Terminator, Łowca androidów,...)
17 Przedmiot badań AI Ogólna idea stworzenie sztucznego człowieka, człekopodobnego robota (filmy: Terminator, Łowca androidów,...) Główne zagadnienia: sztuczne ciało sztuczny mózg sztuczne zmysły
18 Przedmiot badań AI Definicja: Sztuczna inteligencja jest to zespół różnorodnych badań w informatyce, a także w technice, logice, psychologii, językoznawstwie i filozofii, których celem jest, lub które moga mieć ewentualne zastosowania do stworzenia autonomicznego, myślacego robota.
19 Przedmiot badań AI Definicja: Sztuczna inteligencja jest to zespół różnorodnych badań w informatyce, a także w technice, logice, psychologii, językoznawstwie i filozofii, których celem jest, lub które moga mieć ewentualne zastosowania do stworzenia autonomicznego, myślacego robota. J. McCarthy (2007): It is the science and engineering of making intelligent machines, especially intelligent computer programs.
20 Przedmiot badań AI Definicja sztucznej inteligencji Dziedziny kierunki badań Metody podejścia
21 Przedmiot badań AI Techniki rozwiazywania problemów (Problem Solving) Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się (Machine Learning) Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka kognitywistyka, filozofia AI.
22 Przedmiot badań AI Techniki rozwiazywania problemów (Problem Solving) Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się (Machine Learning) Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka kognitywistyka, filozofia AI.
23 Przedmiot badań AI Definicja sztucznej inteligencji Dziedziny kierunki badań Metody podejścia
24 Przedmiot badań AI Definicja sztucznej inteligencji Dziedziny kierunki badań Metody podejścia formalno-logiczna statystczno-probalistyczna inżynierska ad hoc
25 Przedmiot badań AI Definicja sztucznej inteligencji Dziedziny kierunki badań Metody podejścia formalno-logiczna statystczno-probalistyczna inżynierska ad hoc Scruffies vs. Neats (R. Schank, 1975)
26 Logika formalna główna metoda badań bezpośredni atak na zagadnienie globalnej AI dziedzina wiedzy o zadziwiajacych osiagnięciach ZŁOTY WIEK LOGIKI usuwanie logiki ze szkół PARADOKS?! W. V. O. Quine, 1958: największe zastosowania zostan a dopiero odkryte
27 Logika formalna,,,,,, x, y, z,..., Osiagnięcia logiki formalnej: pełna formalizacja języka pełna formalizacja reguł wnioskowania aksjomatyzacja matematyki redukcja Twierdzenia Gödla, Maszyny Turinga komputeryzacja, informatyka
28 Logika formalna,,,,,, x, y, z,..., Osiagnięcia logiki formalnej: pełna formalizacja języka pełna formalizacja reguł wnioskowania aksjomatyzacja matematyki redukcja Twierdzenia Gödla, Maszyny Turinga komputeryzacja, informatyka
29 Logika formalna,,,,,, x, y, z,..., pełna formalizacja języka N p((p > N) Prime(p) Prime(p + 2)) Prime(x) : d(d x (d = 1 d = x)) d x : y(x = d y). Symbole logiczne i symbole predykatów, Predykaty: pojęcia i relacje... pierwotne i pochodne (definiowane) Prime(x), Male(x), Father(x, y)
30 Logika formalna,,,,,, x, y, z,..., Osiagnięcia logiki formalnej: pełna formalizacja języka pełna formalizacja reguł wnioskowania aksjomatyzacja matematyki redukcja Twierdzenia Gödla, Maszyny Turinga komputeryzacja, informatyka
31 Logika formalna,,,,,, x, y, z,..., pełna formalizacja reguł wnioskowania Modus Ponens Resolution Elimination i inne... A, A B B A B, B A xa A[x/c]
32 Logika formalna,,,,,, x, y, z,..., Twierdzenie Gödla o pełności reguł wnioskowania Zestaw reguł R stanowi pełna formalizację logicznych rozumowań: Dla dowolnego zdania formalnego A i zbioru zdań Σ, jeśli A jest konsekwencja logiczna zdań Σ, to A da się wyprowadzić z Σ wyłacznie przy użyciu reguł R.
33 Logika formalna,,,,,, x, y, z,..., Osiagnięcia logiki formalnej: pełna formalizacja języka pełna formalizacja reguł wnioskowania aksjomatyzacja matematyki redukcja Twierdzenia Gödla, Maszyny Turinga komputeryzacja, informatyka
34 Logika formalna,,,,,, x, y, z,..., aksjomatyzacja Arytmetyki N1. x N2. (x + 1 = y + 1) x = y N3. x + 0 = x N4. x + (y + 1) = (x + y) + 1 N5. x 0 = 0 N6. x (y + 1) = (x y) + x N7. (x < 0) N8. (x < y + 1) (x < y x = y)
35 Logika formalna,,,,,, x, y, z,..., aksjomatyzacja Matematyki jako Teorii Zbiorów S1. (Aksjomat zbioru potęgowego) x y z(z y u(u z u x)) S2. (Aksjomaty podzbiorów) x y z(z y (z x A(z)) S3. (Aksjomat nieskończoności) x( x z(z x z {z} x)) S4. (Aksjomaty zastępowania) (B(u, v) B(u, w) v = w) ( x y v(v y u(u x B(u, v))))
36 Logika formalna,,,,,, x, y, z,..., Osiagnięcia logiki formalnej: pełna formalizacja języka pełna formalizacja reguł wnioskowania aksjomatyzacja matematyki redukcja Twierdzenia Gödla, Maszyny Turinga komputeryzacja, informatyka
37 Logika formalna,,,,,, x, y, z,..., Osiagnięcia logiki formalnej: pełna formalizacja języka pełna formalizacja reguł wnioskowania aksjomatyzacja matematyki redukcja Twierdzenia Gödla, Maszyny Turinga komputeryzacja, informatyka
38 Logika formalna,,,,,, x, y, z,..., Twierdzenie Gödla o niezupełności Żadna efektywna aksjomatyzacja nie może być zupełna. W każdej takiej aksjomatyzacji musza istnieć zdania, których nie da się ani udowodnić, ani obalić.... o nieudowadnialności niesprzeczności matematyki Do takich zdań należy zdanie mówi ace, że matematyka jest niesprzeczna.
39 Logika formalna,,,,,, x, y, z,..., Osiagnięcia logiki formalnej: pełna formalizacja języka pełna formalizacja reguł wnioskowania aksjomatyzacja matematyki redukcja Twierdzenia Gödla, Maszyny Turinga komputeryzacja, informatyka
40 Logika dla AI: bazy wiedzy Zasadnicze problemy wiedza + mechanizm wnioskowania Nieefektywność mechanizmów wnioskowania (kombinatoryczna eksplozja) brak wiedzy zdroworozs adkowej (commonsense knowledge)
41 Kombinatoryczna eksplozja drzewo możliwości funkcja wykładnicza
42 Kombinatoryczna eksplozja drzewo możliwości funkcja wykładnicza ilustracja czasowa: v = 1 milion/s n n 2 0,0001s 0,0004s 0,0009s 0,0016s 0,0025s 0,0036s 2 n
43 Kombinatoryczna eksplozja drzewo możliwości funkcja wykładnicza ilustracja czasowa: v = 1 milion/s n n 2 0,0001s 0,0004s 0,0009s 0,0016s 0,0025s 0,0036s 2 n 0,001s
44 Kombinatoryczna eksplozja drzewo możliwości funkcja wykładnicza ilustracja czasowa: v = 1 milion/s n n 2 0,0001s 0,0004s 0,0009s 0,0016s 0,0025s 0,0036s 2 n 0,001s 1s
45 Kombinatoryczna eksplozja drzewo możliwości funkcja wykładnicza ilustracja czasowa: v = 1 milion/s n n 2 0,0001s 0,0004s 0,0009s 0,0016s 0,0025s 0,0036s 2 n 0,001s 1s 17 min.
46 Kombinatoryczna eksplozja drzewo możliwości funkcja wykładnicza ilustracja czasowa: v = 1 milion/s n n 2 0,0001s 0,0004s 0,0009s 0,0016s 0,0025s 0,0036s 2 n 0,001s 1s 17 min. 12 dni
47 Kombinatoryczna eksplozja drzewo możliwości funkcja wykładnicza ilustracja czasowa: v = 1 milion/s n n 2 0,0001s 0,0004s 0,0009s 0,0016s 0,0025s 0,0036s 2 n 0,001s 1s 17 min. 12 dni 35 lat
48 Kombinatoryczna eksplozja drzewo możliwości funkcja wykładnicza ilustracja czasowa: v = 1 milion/s n n 2 0,0001s 0,0004s 0,0009s 0,0016s 0,0025s 0,0036s 2 n 0,001s 1s 17 min. 12 dni 35 lat 366 wieków
49 Logika dla AI: bazy wiedzy Zasadnicze problemy wiedza + mechanizm wnioskowania Nieefektywność mechanizmów wnioskowania (kombinatoryczna eksplozja) brak wiedzy zdroworozsadkowej (commonsense knowledge) PRZYKŁAD...
50 Logika dla AI: bazy wiedzy AI boom wiedza + mechanizm wnioskowania techniki wnioskowania (walka z kombinatoryczna eksplozja, heurystyki) automatyczne dowodzenie twierdzeń ograniczenie zastosowań systemy eksperckie Ontologia 1981 Fifth Generation project (Prolog) 1984 CYC Project (Doug Lenat)
51 Logika dla AI: bazy wiedzy AI boom wiedza + mechanizm wnioskowania techniki wnioskowania (walka z kombinatoryczna eksplozja, heurystyki) automatyczne dowodzenie twierdzeń ograniczenie zastosowań systemy eksperckie Ontologia 1981 Fifth Generation project (Prolog) 1984 CYC Project (Doug Lenat)
52 Logika dla AI: bazy wiedzy AI boom wiedza + mechanizm wnioskowania techniki wnioskowania (walka z kombinatoryczna eksplozja, heurystyki) automatyczne dowodzenie twierdzeń ograniczenie zastosowań systemy eksperckie Ontologia 1981 Fifth Generation project (Prolog) 1984 CYC Project (Doug Lenat)
53 Logika dla AI: bazy wiedzy AI boom wiedza + mechanizm wnioskowania techniki wnioskowania (walka z kombinatoryczna eksplozja, heurystyki) automatyczne dowodzenie twierdzeń ograniczenie zastosowań systemy eksperckie Ontologia 1981 Fifth Generation project (Prolog) 1984 CYC Project (Doug Lenat)
54 Logika dla AI: bazy wiedzy AI boom wiedza + mechanizm wnioskowania techniki wnioskowania (walka z kombinatoryczna eksplozja, heurystyki) automatyczne dowodzenie twierdzeń ograniczenie zastosowań systemy eksperckie Ontologia 1981 Fifth Generation project (Prolog) 1984 CYC Project (Doug Lenat)
55 Logika dla AI: bazy wiedzy AI boom wiedza + mechanizm wnioskowania techniki wnioskowania (walka z kombinatoryczna eksplozja, heurystyki) automatyczne dowodzenie twierdzeń ograniczenie zastosowań systemy eksperckie Ontologia 1981 Fifth Generation project (Prolog) 1984 CYC Project (Doug Lenat)
56 Logika dla AI: bazy wiedzy wiedza + mechanizm wnioskowania AI Winter 1981 Fifth Generation project 1984 CYC Project
57 Logika dla AI: bazy wiedzy wiedza + mechanizm wnioskowania Dalsze badania teoria prawdopodobieństwa (na razie w ograniczonym zakresie, sieci bayesowskie) nowe logiki: niemonotoniczne, założeniowe, deskryptywne (ograniczone zastosowania) Semantic Web
58 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka
59 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka
60 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka
61 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka sieć neuronowa model neuronu konekcjonizm Ray Kurzweil: reverse-engineering 2029
62 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka algorytmy przeszukiwania walka z kombinatoryczna eksplozja heurystyki, funkcje ewaluacyjne, alfa-beta 1997: Deep Blue vs. Kasparow! 2007: Chinook rozwi azanie warcabów!
63 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka algorytmy przeszukiwania walka z kombinatoryczna eksplozja heurystyki, funkcje ewaluacyjne, alfa-beta 1997: Deep Blue vs. Kasparow! 2007: Chinook rozwi azanie warcabów!
64 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka algorytmy uczenia się problemy z ogólna teoria i taksonomia (typ reprezentacji wiedzy, mechanizm uczenia,itd.) sieci bayesowskie, sieci neuronowe, funkcje, drzewa decyzyjne, klasyfikowanie, rozpoznawanie wzorców i zasad, robotyka, algorytmy genetyczne,...
65 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka waskie gardło AI model formalno-logiczny? maszynowe tłumaczenie metody statystyczne w przetwarzaniu
66 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka
67 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka
68 Dziedziny badań AI Techniki rozwiazywania problemów Logic for AI Bazy wiedzy, Reprezentacja wiedzy Systemy eksperckie Sieci neuronowe Systemy uczace się Rozumienie i przetwarzanie języka naturalnego Rozpoznawanie mowy Rozpoznawanie obrazu Automatyczne planowanie Robotyka
69 Perspektywy Porażki Brak ogólnej AI (brak widocznej perspektywy!) Fifth Generation Project Watpliwe sukcesy: Automatyczne dowodzenie twierdzeń System Pomocy do Windows CYC
70 Perspektywy Porażki Brak ogólnej AI (brak widocznej perspektywy!) Fifth Generation Project CYC miliony stwierdzeń 300 tysięcy pojęć = 2% koniecznej wiedzy
71 Perspektywy Niewatpliwe sukcesy: Deep Blue 1997 mówiace bazy danych, systemy rezerwacji z rozpoznawaniem mowy systemy rozpoznawania obrazu (automatyczni dozorcy, monitorowanie ruchu drogowego, tożsamość) osiagnięcia robotyki (Asimo, Kimsa, robopets,...)
72 Perspektywy Przepowiednie: Dreyfus (1992): sztuczna inteligencja jako dziedzina jest skończona K. Devlin (1997): koniec ery katezjańskiej H. Moravec (1999): w pełni inteligentne roboty w 2050 R. Kurzweil (1999): sztuczna świadomość 2029
73 Perspektywy globalna AI: M. Minsky: za 4 lata lub za 400 J. McCarthy: 25%, że za 49 lat problem będzie równie niejasny jak dzisiaj
74 Perspektywy być może zniknie nazwa Artificial Intelligence (computational intgelligence, collaborative intelligence, narrative intelligence, swarm intelligence, weak intelligence, soft mathematics, soft computing) metody statystyczne i probabilistyczne: tłumaczenie, konwersacja, rozumienie w ograniczonym zakresie analiza masowych danych, systemy wspomagania decyzji, automatyczny asystent (czynnik ludzki)
75 Perspektywy być może zniknie nazwa Artificial Intelligence (computational intgelligence, collaborative intelligence, narrative intelligence, swarm intelligence, weak intelligence, soft mathematics, soft computing) metody statystyczne i probabilistyczne: tłumaczenie, konwersacja, rozumienie w ograniczonym zakresie analiza masowych danych, systemy wspomagania decyzji, automatyczny asystent (czynnik ludzki)
76 Perspektywy być może zniknie nazwa Artificial Intelligence (computational intgelligence, collaborative intelligence, narrative intelligence, swarm intelligence, weak intelligence, soft mathematics, soft computing) metody statystyczne i probabilistyczne: tłumaczenie, konwersacja, rozumienie w ograniczonym zakresie analiza masowych danych, systemy wspomagania decyzji, automatyczny asystent (czynnik ludzki)
77 SGH Business Intelligence, Sztuczna inteligencja: aktualny stan i perspektywy rozwoju Andrzej Kisielewicz Wydział Matematyki i Informatyki Uniwersytet Opolski marzec 2012
78 SGH Business Intelligence, Sztuczna inteligencja: aktualny stan i perspektywy rozwoju Andrzej Kisielewicz Wydział Matematyki i Informatyki Uniwersytet Opolski marzec 2012
79 Turing (1950) do roku 2000 powstana programy komputerowe takie, że szanse przeciętnej osoby na dokonanie właściwej identyfikacji w ciagu 5 minut nie będa przekraczały 70 procent.
Zasady krytycznego myślenia (1)
Zasady krytycznego myślenia (1) Andrzej Kisielewicz Wydział Matematyki i Informatyki 2017 Przedmiot wykładu krytyczne myślenie vs logika praktyczna (vs logika formalna) myślenie jasne, bezstronne, oparte
Bardziej szczegółowoSztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011
Sztuczna inteligencja i logika. Podsumowanie przedsięwzięcia naukowego Kisielewicz Andrzej WNT 20011 Przedmowa. CZĘŚĆ I: WPROWADZENIE 1. Komputer 1.1. Kółko i krzyżyk 1.2. Kodowanie 1.3. Odrobina fantazji
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja
Elementy kognitywistyki II: Sztuczna inteligencja Piotr Konderak Zakład Logiki i Filozofii Nauki p.203b, Collegium Humanicum konsultacje: wtorki, 16:00-17:00 kondorp@bacon.umcs.lublin.pl http://konderak.eu
Bardziej szczegółowoSztuczna Inteligencja i Systemy Doradcze
Sztuczna Inteligencja i Systemy Doradcze Wprowadzenie Wprowadzenie 1 Program przedmiotu Poszukiwanie rozwiązań w przestrzeni stanów Strategie w grach Systemy decyzyjne i uczenie maszynowe Wnioskowanie
Bardziej szczegółowoSztuczna inteligencja - wprowadzenie
Sztuczna inteligencja - wprowadzenie Dariusz Banasiak Katedra Informatyki Technicznej W4/K9 Politechnika Wrocławska Sztuczna inteligencja komputerów - wprowadzenie Kontakt: dr inż. Dariusz Banasiak, pok.
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
Stefan Sokołowski SZTUCZNA INTELIGENCJA Inst Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://infugedupl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ SZTUCZNA INTELIGENCJA dwa podstawowe znaczenia Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące się), pewną dyscyplinę badawczą (dział
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Wykład 7. O badaniach nad sztuczną inteligencją Co nazywamy SZTUCZNĄ INTELIGENCJĄ? szczególny rodzaj programów komputerowych, a niekiedy maszyn. SI szczególną własność
Bardziej szczegółowoStefan Sokołowski SZTUCZNAINTELIGENCJA. Inst. Informatyki UG, Gdańsk, 2009/2010
Stefan Sokołowski SZTUCZNAINTELIGENCJA Inst. Informatyki UG, Gdańsk, 2009/2010 Wykład1,17II2010,str.1 SZTUCZNA INTELIGENCJA reguły gry Zasadnicze informacje: http://inf.ug.edu.pl/ stefan/dydaktyka/sztintel/
Bardziej szczegółowoO badaniach nad SZTUCZNĄ INTELIGENCJĄ
O badaniach nad SZTUCZNĄ INTELIGENCJĄ Jak określa się inteligencję naturalną? Jak określa się inteligencję naturalną? Inteligencja wg psychologów to: Przyrodzona, choć rozwijana w toku dojrzewania i uczenia
Bardziej szczegółowoSztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne. Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych
Sztuczna inteligencja stan wiedzy, perspektywy rozwoju i problemy etyczne Piotr Bilski Instytut Radioelektroniki i Technik Multimedialnych Plan wystąpienia Co to jest sztuczna inteligencja? Pojęcie słabej
Bardziej szczegółowoKraków, 14 marca 2013 r.
Scenariusze i trendy rozwojowe wybranych technologii społeczeństwa informacyjnego do roku 2025 Antoni Ligęza Perspektywy rozwoju systemów eksperckich do roku 2025 Kraków, 14 marca 2013 r. Dane informacja
Bardziej szczegółowoHistoria sztucznej inteligencji. Przygotował: Konrad Słoniewski
Historia sztucznej inteligencji Przygotował: Konrad Słoniewski Prahistoria Mit o Pigmalionie Pandora ulepiona z gliny Talos olbrzym z brązu Starożytna Grecja System sylogizmów Arystotelesa (VI w. p.n.e.)
Bardziej szczegółowoInteligencja. Władysław Kopaliśki, Słownik wyrazów obcych i zwrotów obcojęzycznych
Wstęp Inteligencja Władysław Kopaliśki, Słownik wyrazów obcych i zwrotów obcojęzycznych inteligencja psych. zdolność rozumienia, kojarzenia; pojętność, bystrość; zdolność znajdowania właściwych, celowych
Bardziej szczegółowoFestiwal Myśli Abstrakcyjnej, Warszawa, Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII?
Festiwal Myśli Abstrakcyjnej, Warszawa, 22.10.2017 Czy SZTUCZNA INTELIGENCJA potrzebuje FILOZOFII? Dwa kluczowe terminy Co nazywamy sztuczną inteligencją? zaawansowane systemy informatyczne (np. uczące
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych
Wstęp do kognitywistyki Wykład 3: Logiczny neuron. Rachunek sieci neuronowych Epistemologia eksperymentalna W. McCulloch: Wszystko, czego dowiadujemy się o organizmach wiedzie nas do wniosku, iż nie są
Bardziej szczegółowoNarzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE)
Narzędzia AI Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312 http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Nauka o maszynach realizujących zadania, które wymagają inteligencji
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoLogika i teoria mnogości Wykład 14 1. Sformalizowane teorie matematyczne
Logika i teoria mnogości Wykład 14 1 Sformalizowane teorie matematyczne W początkowym okresie rozwoju teoria mnogości budowana była w oparciu na intuicyjnym pojęciu zbioru. Operowano swobodnie pojęciem
Bardziej szczegółowoPODSTAWY BAZ DANYCH. 19. Perspektywy baz danych. 2009/2010 Notatki do wykładu "Podstawy baz danych"
PODSTAWY BAZ DANYCH 19. Perspektywy baz danych 1 Perspektywy baz danych Temporalna baza danych Temporalna baza danych - baza danych posiadająca informację o czasie wprowadzenia lub czasie ważności zawartych
Bardziej szczegółowoWIEDZA METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING. Adrian Horzyk. Akademia Górniczo-Hutnicza
METODY INŻYNIERII WIEDZY KNOWLEDGE ENGINEERING AND DATA MINING WIEDZA Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Wnioskowanie logiczne i systemy eksperckie Systemy posługujące się logiką predykatów: część 3/3 Dzisiaj Uogólnienie Poprawność i pełność wnioskowania
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Przykładowe zastosowania Piotr Fulmański Wydział Matematyki i Informatyki, Uniwersytet Łódzki, Polska 12 czerwca 2008 Plan 1 Czym jest (naturalna) inteligencja? 2 Czym jest (sztuczna)
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoSYSTEM DIAGNOSTYCZNY OPARTY NA LOGICE DOMNIEMAŃ. Ewa Madalińska. na podstawie prac:
SYSTEM DIAGNOSTYCZNY OPARTY NA LOGICE DOMNIEMAŃ Ewa Madalińska na podstawie prac: [1] Lukaszewicz,W. (1988) Considerations on Default Logic: An Alternative Approach. Computational Intelligence, 44[1],
Bardziej szczegółowowykład 1 Wprowadzanie do sztucznej inteligencji dr inż. Joanna Kołodziejczyk Zakład Sztucznej Inteligencji ISZiMM
Wprowadzanie do sztucznej inteligencji wykład 1 dr inż. Joanna Kołodziejczyk jkolodziejczyk@wi.ps.pl Zakład Sztucznej Inteligencji ISZiMM ESI - wykład 1 p. 1 Organizacja wykładu 1. Co to jest sztuczna
Bardziej szczegółowoWspółczesna problematyka klasyfikacji Informatyki
Współczesna problematyka klasyfikacji Informatyki Nazwa pojawiła się na przełomie lat 50-60-tych i przyjęła się na dobre w Europie Jedna z definicji (z Wikipedii): Informatyka dziedzina nauki i techniki
Bardziej szczegółowoSylabus modułu kształcenia na studiach wyższych. Nazwa Wydziału. Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia
Załącznik nr 4 do zarządzenia nr 12 Rektora UJ z 15 lutego 2012 r. Sylabus modułu kształcenia na studiach wyższych Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Wydział Matematyki
Bardziej szczegółowoWprowadzenie do Sztucznej Inteligencji
Wprowadzenie do Sztucznej Inteligencji Wykład 1 Studia Inżynierskie Dlaczego badania nad sztuczną inteligencją? Próba zrozumienia istot inteligentnych - lepsze poznanie samego siebie (filozofia, psychologia)
Bardziej szczegółowoWykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012
Wykłady dla doktorantów Środowiskowych Studiów Doktoranckich w zakresie informatyki w roku akademickim 2011/2012 - prof. dr hab. Wojciech Rytter: Algorytmika kombinatoryczno-grafowa (30 g. semestr zimowy
Bardziej szczegółowoInstytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 2. ZASTOSOWANIA, HISTORIA, SYMBOLICZNA SI Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska ZASTOSOWANIA SI Rozwiązywanie zadań, gry,
Bardziej szczegółowoJAKIEGO RODZAJU NAUKĄ JEST
JAKIEGO RODZAJU NAUKĄ JEST INFORMATYKA? Computer Science czy Informatyka? Computer Science czy Informatyka? RACZEJ COMPUTER SCIENCE bo: dziedzina ta zaistniała na dobre wraz z wynalezieniem komputerów
Bardziej szczegółowoUmysł Komputer Świat TEX output: :17 strona: 1
Umysł Komputer Świat INFORMATYKA I FILOZOFIA Witold Marciszewski Paweł Stacewicz Umysł Komputer Świat O zagadce umysłu z informatycznego punktu widzenia E Warszawa Akademicka Oficyna Wydawnicza EXIT 2011
Bardziej szczegółowoInstytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej. Adam Meissner. Elementy uczenia maszynowego
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis Elementy uczenia maszynowego Literatura [1] Bolc L., Zaremba
Bardziej szczegółowoWYKŁAD 1: PRZEDMIOT BADAŃ PSYCHOLOGII POZNAWCZEJ W UJĘCIU HISTORYCZNYM
WYKŁAD 1: PRZEDMIOT BADAŃ PSYCHOLOGII POZNAWCZEJ W UJĘCIU HISTORYCZNYM Psychologia poznawcza dr Mateusz Hohol SPRAWY ORGANIZACYJNE Aby zaliczyć kurs z psychologii poznawczej należy: (1) zaliczyć ćwiczenia,
Bardziej szczegółowoSztuczna inteligencja Definicja Sztuczna inteligencja (AI - ang. artificial inteligence) lub krótko SI jest stosunkowo nową interdyscyplinarną dziedziną nauki, przedmiotem wielkich oczekiwań i ożywionych
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład I Czym jest SI? Przeszukiwanie problemy oraz jak je rozwiązywać 13 październik 2011 Plan wykładu Od inteligencji naturalnej do sztucznej? Przyjrzyjmy się krótko historii 1 Czym jest sztuczna inteligencja?
Bardziej szczegółowoMetody Sztucznej Inteligencji Methods of Artificial Intelligence. Elektrotechnika II stopień ogólno akademicki. niestacjonarne. przedmiot kierunkowy
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoStruktura danych. Sposób uporządkowania informacji w komputerze.
Struktura danych Sposób uporządkowania informacji w komputerze. Algorytm Skończony, uporządkowany ciąg jasno zdefiniowanych czynności, koniecznych do wykonania pewnego zadania. Al-Khwarizmi perski matematyk
Bardziej szczegółowo[1] [2] [3] [4] [5] [6] Wiedza
3) Efekty dla studiów drugiego stopnia - profil ogólnoakademicki na kierunku Informatyka w języku angielskim (Computer Science) na specjalności Sztuczna inteligencja (Artificial Intelligence) na Wydziale
Bardziej szczegółowoBIOCYBERNETYKA PROLOG
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej BIOCYBERNETYKA Adrian Horzyk PROLOG www.agh.edu.pl Pewnego dnia przyszedł na świat komputer Komputery
Bardziej szczegółowoKierunek: Informatyka Poziom studiów: Studia I stopnia Forma studiów: Stacjonarne. audytoryjne. Wykład Ćwiczenia
Wydział: Informatyki, Elektroniki i Telekomunikacji Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma studiów: Stacjonarne Rocznik: 2019/2020 Język wykładowy: Polski Semestr 1 z Kierunkowe 10
Bardziej szczegółowoT2A_W01 T2A_W01 T2A_W02 3 SI_W03 Posiada szeroką wiedzę w zakresie teorii grafów T2A_W01
Efekty dla studiów drugiego stopnia profil ogólnoakademicki, na kierunku Informatyka w języku polskim, na specjalnościach Metody sztucznej inteligencji oraz Projektowanie systemów CAD/CAM, na Wydziale
Bardziej szczegółowoArchipelag Sztucznej Inteligencji
Archipelag Sztucznej Inteligencji Istniejące metody sztucznej inteligencji mają ze sobą zwykle niewiele wspólnego, więc można je sobie wyobrażać jako archipelag wysp, a nie jako fragment stałego lądu.
Bardziej szczegółowoPlan wykładów METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA
1 Plan wykładów Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie formysztucznej inteligencji Elementy
Bardziej szczegółowoMetody dowodzenia twierdzeń i automatyzacja rozumowań Na początek: teoria dowodu, Hilbert, Gödel
Metody dowodzenia twierdzeń i automatyzacja rozumowań Na początek: teoria dowodu, Hilbert, Gödel Mariusz Urbański Instytut Psychologii UAM Mariusz.Urbanski@.edu.pl OSTRZEŻENIE Niniejszy plik nie zawiera
Bardziej szczegółowoDialog z przyroda musi byc prowadzony w jezyku matematyki, w przeciwnym razie przyroda nie odpowiada na nasze pytania.
Wydział Fizyki Uniwersytetu Warszawskiego a. Tw. Gödla kontra Matrix b. Moim zdaniem Rys. źródło: Internet W jaki sposób policzyć ilość operacji logicznych w mózgu? Mózg a komputer "When will computer
Bardziej szczegółowoAlan M. TURING. Matematyk u progu współczesnej informatyki
Alan M. TURING n=0 1 n! Matematyk u progu współczesnej informatyki Wykład 5. Alan Turing u progu współczesnej informatyki O co pytał Alan TURING? Czym jest algorytm? Czy wszystkie problemy da się rozwiązać
Bardziej szczegółowoMetody sztucznej inteligencji w układach sterowania METODY SZTUCZNEJ INTELIGENCJI W UKŁADACH STEROWANIA
1 Metody sztucznej inteligencji w układach sterowania Podstawy algorytmów genetycznych oraz ich aplikacje w procesach optymalizacji Sztuczne sieci neuronowe-formalne podstawy i wybrane aplikacje Wprowadzenie
Bardziej szczegółowoMetoda tabel semantycznych. Dedukcja drogi Watsonie, dedukcja... Definicja logicznej konsekwencji. Logika obliczeniowa.
Plan Procedura decyzyjna Reguły α i β - algorytm Plan Procedura decyzyjna Reguły α i β - algorytm Logika obliczeniowa Instytut Informatyki 1 Procedura decyzyjna Logiczna konsekwencja Teoria aksjomatyzowalna
Bardziej szczegółowoField of study: Computer Science Study level: First-cycle studies Form and type of study: Full-time studies. Auditorium classes.
Faculty of: Faculty of Electrical Engineering, Automatics, Computer Science and Biomedical Engineering Field of study: Computer Science Study level: First-cycle studies Form and type of study: Full-time
Bardziej szczegółowoAlfred N. Whitehead
Plan wykładu Automatyczne dowodzenie twierdzeń Dowodzenie twierdzeń matematycznych Dedukcja Logic Theorist Means-endsends Analysis Rezolucja Programowanie w logice PROLOG Logic Theorist - 1956 Automatyczne
Bardziej szczegółowoMetoda Tablic Semantycznych
Procedura Plan Reguły Algorytm Logika obliczeniowa Instytut Informatyki Plan Procedura Reguły 1 Procedura decyzyjna Logiczna równoważność formuł Logiczna konsekwencja Procedura decyzyjna 2 Reguły α, β,
Bardziej szczegółowoPodstawy Sztucznej Inteligencji
Wprowadzenie do Wykładu 1 Podstawy Sztucznej Inteligencji Podstawy Sztucznej Inteligencji Materiały do wykładu dla Studentów Informatyki Wydział EAIiIB AGH Antoni Ligęza Materiały pomocnicze: http://home.agh.edu.pl/~ligeza
Bardziej szczegółowoCZYM SĄ OBLICZENIA NAT A URALNE?
CZYM SĄ OBLICZENIA NATURALNE? Co to znaczy obliczać (to compute)? Co to znaczy obliczać (to compute)? wykonywać operacje na liczbach? (komputer = maszyna licząca) wyznaczać wartości pewnych funkcji? (program
Bardziej szczegółowoWstęp do kognitywistyki. Wykład 12: Wprowadzenie do SI. Obliczeniowa teoria umysłu
Wstęp do kognitywistyki Wykład 12: Wprowadzenie do SI. Obliczeniowa teoria umysłu Sztuczna inteligencja...to próba zrozumienia i wyjaśnienia jednostek inteligentnych. Specyfika SI polega na metodzie: wyjaśnianie
Bardziej szczegółowoKierunek Informatyka stosowana Studia stacjonarne Studia pierwszego stopnia
Studia pierwszego stopnia I rok Matematyka dyskretna 30 30 Egzamin 5 Analiza matematyczna 30 30 Egzamin 5 Algebra liniowa 30 30 Egzamin 5 Statystyka i rachunek prawdopodobieństwa 30 30 Egzamin 5 Opracowywanie
Bardziej szczegółowoKierunek: Mechatronika Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia
Wydział: Inżynierii Mechanicznej i Robotyki Kierunek: Mechatronika Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 2015/2016 Język wykładowy: Polski Semestr 1 RME-1-103-s Podstawy
Bardziej szczegółowoWYKAZ KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA KIERUNEK: MATEMATYKA, SPS WIEDZA
WYKAZ KIERUNKOWYCH EFEKTÓW KSZTAŁCENIA KIERUNEK: MATEMATYKA, SPS Symbol kierunkowego efektu kształcenia Efekty kształcenia dla programu kształcenia (kierunkowe efekty kształcenia) WIEDZA K1_W01 K1_W02
Bardziej szczegółowoPRZEDMIOTY REALIZOWANE W RAMACH KIERUNKU INFORMATYKA I STOPNIA STUDIA STACJONARNE
PRZEDMIOTY REALIZOWANE W RAMACH KIERUNKU INFORMATYKA I STOPNIA STUDIA STACJONARNE Analiza matematyczna i algebra liniowa Metody probabilistyczne i statystyka Matematyka dyskretna Fizyka Podstawy elektrotechniki
Bardziej szczegółowoLista przedmiotów prowadzonych przez pracowników Zakładu Sieci i Systemów Elektroenergetycznych
Lista przedmiotów prowadzonych przez pracowników Zakładu Sieci i Systemów Elektroenergetycznych Informatyka w elektroenergetyce 1DE1703 W15, L30 Projektowanie komputerowe i systemy informacji przestrzennej
Bardziej szczegółowoReprezentacja wiedzy ontologie, logiki deskrypcyjne
Reprezentacja wiedzy ontologie, logiki deskrypcyjne Agnieszka Ławrynowicz 24 listopada 2016 Plan wykładu 1 Powtórka: sieci semantyczne, RDF 2 Definicja ontologii 3 Logiki deskrypcyjne Semantyczny Internet
Bardziej szczegółowoWstęp do kognitywistyki
Wstęp do kognitywistyki Wykład I: Kognitywistyka z lotu ptaka Piotr Konderak konsultacje: poniedziałki, 11:10-12:40, p. 205 Strona przedmiotu: http://konderak.eu/wkg10.html W historii intelektualnej wszystko
Bardziej szczegółowoSztuczna inteligencja
POLITECHNIKA KRAKOWSKA WIEiK KATEDRA AUTOMATYKI I TECHNIK INFORMACYJNYCH Sztuczna inteligencja www.pk.edu.pl/~zk/si_hp.html Wykładowca: dr inż. Zbigniew Kokosiński zk@pk.edu.pl Wykład 1: Wprowadzenie do
Bardziej szczegółowoOntologie, czyli o inteligentnych danych
1 Ontologie, czyli o inteligentnych danych Bożena Deka Andrzej Tolarczyk PLAN 2 1. Korzenie filozoficzne 2. Ontologia w informatyce Ontologie a bazy danych Sieć Semantyczna Inteligentne dane 3. Zastosowania
Bardziej szczegółowoWYKŁAD 1: PRZEDMIOT BADAŃ PSYCHOLOGII POZNAWCZEJ W UJĘCIU HISTORYCZNYM
WYKŁAD 1: PRZEDMIOT BADAŃ PSYCHOLOGII POZNAWCZEJ W UJĘCIU HISTORYCZNYM Psychologia poznawcza dr Mateusz Hohol SPRAWY ORGANIZACYJNE Aby zaliczyć kurs z psychologii poznawczej należy: (1) zaliczyć ćwiczenia,
Bardziej szczegółowoProgramowanie deklaratywne i logika obliczeniowa
Programowanie deklaratywne i logika obliczeniowa Programowanie deklaratywne i logika obliczeniowa Wykład logika 12 godzin Dr hab. inż. Joanna Józefowska, prof. PP dyżur: poniedziałek 9.30-11.00 p. 10,
Bardziej szczegółowoKIERUNEK: KOGNITYWISTYKA
KIERUNEK: KOGNITYWISTYKA Plan studiów pierwszego stopnia Cykl kształcenia 2018-2021 Rok akademicki 2018/2019 Zbo zaliczenie bez oceny Z zaliczenie z oceną E egzamin Jeżeli wykłady odbywają się równolegle
Bardziej szczegółowoUniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA. Studia III stopnia (doktoranckie) kierunek Informatyka
Uniwersytet Śląski Wydział Informatyki i Nauki o Materiałach PROGRAM KSZTAŁCENIA Studia III stopnia (doktoranckie) kierunek Informatyka (przyjęty przez Radę Wydziału Informatyki i Nauki o Materiałach w
Bardziej szczegółowo1. Wstęp do logiki. Matematyka jest nauką dedukcyjną. Nowe pojęcia definiujemy za pomocą pojęć pierwotnych lub pojęć uprzednio wprowadzonych.
Elementy logiki i teorii zbiorów. 1. Wstęp do logiki. Matematyka jest nauką dedukcyjną. Nowe pojęcia definiujemy za pomocą pojęć pierwotnych lub pojęć uprzednio wprowadzonych. Pojęcia pierwotne to najprostsze
Bardziej szczegółowokomputery? Andrzej Skowron, Hung Son Nguyen Instytut Matematyki, Wydział MIM, UW
Czego moga się nauczyć komputery? Andrzej Skowron, Hung Son Nguyen son@mimuw.edu.pl; skowron@mimuw.edu.pl Instytut Matematyki, Wydział MIM, UW colt.tex Czego mogą się nauczyć komputery? Andrzej Skowron,
Bardziej szczegółowoS PECJALNO S C I NTELIGENTNE S YSTEMY D ECYZYJNE
KATEDRA SYSTEMÓW DECYZYJNYCH POLITECHNIKA GDA N SKA S PECJALNO S C I NTELIGENTNE S YSTEMY D ECYZYJNE prof. dr hab. inz. Zdzisław Kowalczuk Katedra Systemów Decyzyjnych Wydział Elektroniki Telekomunikacji
Bardziej szczegółowoInformatyka szkolna z perspektywy uczelni
Informatyka szkolna z perspektywy uczelni Jacek Cichoń Jacek.Cichon@pwr.wroc.pl Instytut Matematyki i Informatyki Wydział Podstawowych Problemów Techniki Politechnika Wrocławska listopad 2010 Cichoń (IMiI
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład IV: Reprezentacje jako Modele symboliczne I: Rachunek predykatów, Sieci semantyczne Gwoli przypomnienia: Kroki w modelowaniu kognitywnym:
Bardziej szczegółowoWprowadzenie, podstawowe pojęcia i definicje. Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Wprowadzenie, podstawowe pojęcia i definicje Politechnika Gdańska Wydział Elektrotechniki i Automatyki Kierunek: Automatyka i Robotyka Specjalność: Systemy Sterowania i Wspomagania Decyzji Studia stacjonarne
Bardziej szczegółowoProjekt i implementacja systemu wspomagania planowania w języku Prolog
Projekt i implementacja systemu wspomagania planowania w języku Prolog Kraków, 29 maja 2007 Plan prezentacji 1 Wstęp Czym jest planowanie? Charakterystyka procesu planowania 2 Przeglad istniejacych rozwiazań
Bardziej szczegółowoTeoretyczne podstawy informatyki
n r fi i= 1 n r fi i= 1 r n ( x) = f ( x) + K+ f ( x) Def r 1 r n ( x) = f ( x) K f ( x) Def r 1 1 Wykład cz. 2 dyżur: poniedziałek 9.30-10.30 p. 436 środa 13.30-14.30 p. 436 e-mail: joanna.jozefowska@cs.put
Bardziej szczegółowoKierunek: Informatyka rev rev jrn Niestacjonarny 1 / 5
Wydział Informatyki i Komunikacji Wizualnej Kierunek: Informatyka Studia pierwszego stopnia - inżynierskie tryb: niestacjonarne rok rozpoczęcia 2018/2019 A. Moduły międzykierunkowe obligatoryjne Moduł
Bardziej szczegółowoSZTUCZNA INTELIGENCJA (SI, AI)
Instytut Automatyki, Robotyki i Informatyki Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA (SI, AI) Wprowadzenie do sztucznej inteligencji
Bardziej szczegółowoM T E O T D O ZI Z E E A LG L O G R O Y R TM
O ALGORYTMACH I METODZIE ALGORYTMICZNEJ Czym jest algorytm? Czym jest algorytm? przepis schemat zestaw reguł [ ] program ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające
Bardziej szczegółowoKierunek: Informatyka rev rev jrn Stacjonarny 1 / 6
Wydział Informatyki i Komunikacji Wizualnej Kierunek: Informatyka Studia pierwszego stopnia - inżynierskie tryb: stacjonarne rok rozpoczęcia: 2018/2019 A. Moduły międzykierunkowe obligatoryjne Moduł ogólny
Bardziej szczegółowoO ALGORYTMACH I MASZYNACH TURINGA
O ALGORYTMACH I MASZYNACH TURINGA ALGORYTM (objaśnienie ogólne) Algorytm Pojęcie o rodowodzie matematycznym, oznaczające współcześnie precyzyjny schemat mechanicznej lub maszynowej realizacji zadań określonego
Bardziej szczegółowoAdam Meissner.
Instytut Automatyki i Inżynierii Informatycznej Politechniki Poznańskiej Adam Meissner Adam.Meissner@put.poznan.pl http://www.man.poznan.pl/~ameis SZTUCZNA INTELIGENCJA Podstawy logiki pierwszego rzędu
Bardziej szczegółowoTeoretyczne podstawy informatyki
1 Wykład cz. 2 dyżur: środa 9.00-10.00 czwartek 10.00-11.00 ul. Wieniawskiego 17/19, pok.10 e-mail: joanna.jozefowska@cs.put poznan.pl materiały do wykładów: http://www.cs.put.poznan.pl/jjozefowska/ hasło:
Bardziej szczegółowoSztuczna Inteligencja. Agnieszka Nowak Brzezioska Wykład I
Sztuczna Inteligencja Agnieszka Nowak Brzezioska Wykład I Sztuczna Inteligencja (Artificial Intelligence, AI) to dziedzina nauki zajmująca się rozwiązywaniem zagadnień efektywnie niealgorytmizowalnych
Bardziej szczegółowoLogika Matematyczna (1)
Logika Matematyczna (1) Jerzy Pogonowski Zakład Logiki Stosowanej UAM www.logic.amu.edu.pl pogon@amu.edu.pl 4 X 2007 Jerzy Pogonowski (MEG) Logika Matematyczna (1) 4 X 2007 1 / 18 Plan konwersatorium Dzisiaj:
Bardziej szczegółowoSTUDIA I MONOGRAFIE NR
STUDIA I MONOGRAFIE NR 21 WYBRANE ZAGADNIENIA INŻYNIERII WIEDZY Redakcja naukowa: Andrzej Cader Jacek M. Żurada Krzysztof Przybyszewski Łódź 2008 3 SPIS TREŚCI WPROWADZENIE 7 SYSTEMY AGENTOWE W E-LEARNINGU
Bardziej szczegółowoSztuczna Inteligencja w energetyce
Krzysztof Wysocki Oracle Innovation Lab Polska krzysztof.wysocki@oracle.com +48 661 966 158 Sztuczna Inteligencja w energetyce Copyright 2017, Oracle and/or its affiliates. All rights reserved. 2 Sztuczna
Bardziej szczegółowoprawda symbol WIEDZA DANE komunikat fałsz liczba INFORMACJA (nie tyko w informatyce) kod znak wiadomość ENTROPIA forma przekaz
WIEDZA prawda komunikat symbol DANE fałsz kod INFORMACJA (nie tyko w informatyce) liczba znak forma ENTROPIA przekaz wiadomość Czy żyjemy w erze informacji? TAK Bo używamy nowego rodzaju maszyn maszyn
Bardziej szczegółowoRACHUNEK PREDYKATÓW 7
PODSTAWOWE WŁASNOŚCI METAMATEMATYCZNE KRP Oczywiście systemy dedukcyjne dla KRP budowane są w taki sposób, żeby wszystkie ich twierdzenia były tautologiami; można więc pokazać, że dla KRP zachodzi: A A
Bardziej szczegółowoRACHUNEK ZDAŃ 7. Dla każdej tautologii w formie implikacji, której poprzednik również jest tautologią, następnik także jest tautologią.
Semantyczne twierdzenie o podstawianiu Jeżeli dana formuła rachunku zdań jest tautologią i wszystkie wystąpienia pewnej zmiennej zdaniowej w tej tautologii zastąpimy pewną ustaloną formułą, to otrzymana
Bardziej szczegółowo2. Wymagania wstępne w zakresie wiedzy, umiejętności oraz kompetencji społecznych (jeśli obowiązują):
OPISU MODUŁU KSZTAŁCENIA (SYLABUS) I. Informacje ogólne 1) Nazwa modułu : MATEMATYCZNE PODSTAWY KOGNITYWISTYKI 2) Kod modułu : 08-KODL-MPK 3) Rodzaj modułu : OBOWIĄZKOWY 4) Kierunek studiów: KOGNITYWISTYKA
Bardziej szczegółowoDowód pierwszego twierdzenia Gödela o. Kołmogorowa
Dowód pierwszego twierdzenia Gödela o niezupełności arytmetyki oparty o złożoność Kołmogorowa Grzegorz Gutowski SMP II rok opiekun: dr inż. Jerzy Martyna II UJ 1 1 Wstęp Pierwsze twierdzenie o niezupełności
Bardziej szczegółowoKierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia
Wydział: Informatyki, Elektroniki i Telekomunikacji Kierunek: Informatyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 217/218 Język wykładowy: Polski Semestr 1 IIN-1-13-s
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowo