Naslov predmeta: Umetna inteligenca – VSŠ (Bolonja) – 2. letnik

Predavatelj:

prof.dr. Igor Kononenko
Asistenta: dr. Petar Vračar, dr. Tome Eftimov

Namen predmeta:

Predstaviti metode strojnega učenja in umetne inteligence ter razviti sposobnost njihove praktične uporabe.

Obveznosti študenta:

pravočasno izdelane in pozitivno ocenjene domače naloge (spletni kvizi ter sprotna poročila)
pravočasno izdelani in pozitivno ocenjeni obe seminarski raziskovalni nalogi
pisni in ustni izpit

Ocenjevanje

Vaje

Študenti preko e-učilnice sproti rešujejo ob rokih objavljene spletne kolokvije, ki se točkujejo. Vsak študent mora doseči najmanj 50% pri reševanju spletnih kolokvijev, da lahko dobi oceno iz vaj. Oceno vaj predstavlja skupna ocena dveh seminarskih raziskovalnih nalog. Vsaka od seminarskih raziskovalnih nalog mora biti oddana pravočasno in ocenjena pozitivno. Pogoj za pozitivno oceno iz vaj je tudi vsaj polovica točk pri domačih nalogah. Upoštevajo se le pravočasno oddane domače naloge. Ocena iz vaj velja samo tekoče leto. Če v tekočem letu študent ne opravi izpita, mora v naslednjem šolskem letu ponovno opravljati domače naloge in seminarske raziskovalne naloge.

Izpit

Izpit je sestavljen iz pisnega in morebitnega ustnega dela. Pogoj za opravljanje izpita so pozitivno ocenjene vaje. Na pisnem izpitu je dovoljen en A4 list napisan lastnoročno z navadnim svinčnikom (da se lahko radira) in podpisan s kemičnim svinčnikom z imenom in priimkom ter vpisno številko (fotokopije in natisnjene strani niso dovoljene). Ta list se odda skupaj s pisnim izdelkom.

Končna ocena

Končna ocena je sestavljena iz ocene vaj (50%) in skupne ocene izpita (50%). Pri tem mora študent v vsakem delu doseči vsaj polovico možnih točk, torej tako pri vajah kot na pisnem izpitu.

Okvirna vsebina:

Uvod v strojno učenje in pregled metod strojnega učenja
Kaj je inteligenca, kaj je učenje in relacija človek-stroj
Osnovni principi strojnega učenja
Odločitvena in regresijska drevesa
Osnovne metode strojnega učenja
Ocenjevanje atributov, predprocesiranje podatkov
Ocenjevanje učenja, ansambli, umetne nevronske mreže
Preiskovanje prostorov: neinformirano, lokalno, hevristično
Priskovanje po principu MINIMAX, igranje iger
Evolucijsko računanje in genetski algoritmi
Inteligentni agenti in roboti
Spodbujevano učenje

Osnovna literatura:

I. Kononenko in M. Robnik Šikonja: Inteligentni sistemi. Založba FE in FRI, Ljubljana, 2010.

Pomožna literatura:

I. Kononenko in M. Kukar: Machine Learning and Data Mining: Introduction to Principles and Algorithms. Horwood publ., 2007.
G. F. Luger: Artificial Intelligence: Structures and Strategies for Complex Problem Solving (6th ed.). Addison-Wesley, Pearson Education, 2009.
D. L. Poole, A. K. Mackworth: Artificial Intelligence: Foundations of Computational Agents. Cambridge University Press, 2010.
S. J. Russell, P. Norvig: Artificial Intelligence: A Modern Approach (3rd ed.). Prentice Hall, Pearson Education, 2010.

PRIMERA SEMINARSKIH RAZISKOVALNIH NALOG

1. seminarska raziskovalna naloga: Strojno učenje

Študenti se v vsakem ciklu laboratorijskih vaj razdelijo v dve skupini. Vsaka skupina izbere vodjo. Vodja vodi celoten projekt analize dveh baz podatkov z metodami strojnega učenja. Vsako bazo je treba obravnavati na več načinov:

vizualizacija podatkov
ocenjevanje atributov: detekcija naključnih in redundantnih atributov, izbira podmnožice pomembnih atributov
kot klasifikacijski problem (tako da se odvisna spremenljivka diskretizira na 2 intervala s podanim pragom)
kot regresijski problem

Vsaka skupina bo imela podizvajalce (podskupine) za 4 naloge. Vodja usklajuje delo skupine tako, da razdeli skupino na podskupine, razdeli delo posameznim podskupinam, izsledke podskupin usklajuje med seboj, tako da se smiselno dopolnjujejo, npr.:

vizualizacija in izbira podmnožice pomembnih atributov,
primerjava klasifikacijskega in regresijskega drevesa, itd.

Vsaka skupina pripravi poročilo o analizi obeh baz podatkov, in sicer vsak študent pripravi do 4 strani poročila o svojem delu. Glavno poročilo vodje skupine (tudi do 4 strani) povzame delo celotne skupine in kot priloge k poročilu doda poročila vseh izvajalcev.

Skupine zagovarjajo seminarsko raziskovalno nalogo ob postavljenem roku na vajah tako, da vodja predstavi delo celotne skupine. Temu sledijo vprašanja, ki jih asistent postavlja vsakemu članu skupine posebej. Vsaka skupina pripravi tudi “najboljši” klasifikator in “najboljši” regresor za oba problema. Za njuno testiranje dobi za oba problema določeno število novih testnih primerov. Primerja se njihova “ocenjena” točnost in dejanska točnost na novih testnih primerih.