Sztuczna inteligencja

Wyniki egzaminu oraz zestaw z egzaminu

Skrypt w ktorym znajdują się opisy wszystkich omawianych ćwiczeń.

Wykład

2015-09-30
Czym jest sztuczna inteligencja (materiał do Testu Turinga).
Summary
In this part we covered the following concepts:
- different definitons of inteligence (natural, not artificial)
- characteristic of inteligence (ability to learn, gain knowledge, make conclusion and generalize)
- strong and weak artificial inteligence
2015-10-07
Czym jest sztuczna inteligencja (materiał od Testu Turinga do końca).
Czy maszyny mogą myśleć - rozważania na temat silnej sztucznej inteligencji, praca magisterska p. Urszuli Jędrzejczak
Summary
In this part we covered the following concepts:
- Turing test
- Searle's Chinese room
- Churchland's luminous room
2015-10-14
Solving problems by searching (do sformułowania prostych problemów - sformułowania omawiać będziemy na następnych zajeciach)
Summary
In this part we covered the following concepts:
- world state;
- what does it mean when environment is observable, discrete, known, deterministic;
- what does the formulate--state--execute design pattern for the agent mean;
- define and explain all the components defining problem;
- what the solution is;
- explain validity and usefulness of the abstraction used while working on the problem.
2015-10-21
Solving problems by searching (do depth-first search włącznie)
Summary
In this part we covered the following concepts:
- know how to describe some toy and non-toy problems in terms of state, initial state, actions, transition model, goal test, path cost;
- what a search tree is;
- define and explain general tree-search algorithm;
- define and explain graph search algorithm;
- define and explain breadth-first search;
- define and explain uniform-cost search;
- define and explain depth-first search;
- explain differences between informed and uninformed search strategies;
- how we can measure problem solving performance.
2015-10-28
Solving problems by searching (pozostała część wykładu)
Introduction to A* (bardzo dobre)
Introduction to A* (nowa wersja poprzedniego z animacjami)
Summary
In this part we covered the following concepts:
- explain the idea of informed (heuristic) search strategies;
- what a heuristic function is;
- define and explain best first search (in greedy and A* variant).
2015-11-04
Solving problems by searching (podsumowanie dotychczasowego wykładu; praca z przykładami)
Our graph

Breadth first search

Deep first search

Uniform cost search -- I forgot to save it, sorry...

Greedy best first search

Best first search

Summary
In this part we covered the following concepts:
- know how to use the algorithms we have discussed so far for specific tasks.
2015-11-18
Beyond classical search (do algorytmu genetycznego włącznie)
Summary
In this part we covered the following concepts:
- know examples of the problem with irrelevant path;
- know what is state-space landscape;
- know what is objective function;
- define and explain hill-climbing algorithm;
- know some possible variants of hill-climbing;
- define and explain simulated annealing algorithm;
- explain concepts related to genetic algorithms: population, individual, fitness function, selection, crossover, mutation
- define and explain genetic algorithm.
2015-11-25
Beyond classical search (ciąg dalszy - od searching in continuous space do and-or drzew włącznie)
- - Metoda gradientowa - idea
  - Metoda gradientowa - materiały z wykładu
- And-Or trees
  - Transition table
  - Tree
  - Solution
  - Simplified version of the above tree
Summary
In this part we covered the following concepts:
- know what is gradient;
- know how we can use gradient to find min or max of the objective function;
- know when and why we need contingency plan (strategy);
- know what is "or" and "and" node;
- define and explain and-or search algorithm.
2015-12-02
Beyond classical search (pozostała część wykładu)
Genetic algorithm - tips to exercise
Summary
In this part we covered the following concepts:
- know what is belief state;
- know how to define sensorless problem;
- know how to define partially observable problem;
- know what is online search;
- define and explain an online depth-first search algorithm.
2014-12-09
Adversarial search (mini-max, mini-max z cięciami)

Przykład pokazując, iż wybór optymalnego ruchu zależy od głębokości analizy (dla głębokości 1 był to ruch A3, dla głębokości 2 - ruch A1 a dla głębokości 3 - ruch A2)
Przykład (Wikipedia) - dwa obrazki: statyczny pokazujący ideę oraz dynamiczny pokazujący co się dzieje
Intuicja pokazująca możliwość pominięcia niektórych gałązi
Summary
In this part we covered the following concepts:
- why games are so interesting for AI (tip: games require the ability to make some decision even when calculating the optimal decision is infeasible while any inefficiency is penalize severely);
- how to define game as a search problem (define terms: initial state, transition model, terminal test, payoff function and functions: player, actions);
- what is an optimal solution in games;
- define and explain mini-max algorithm;
- explain how alpha-beta cutoff works.
2015-12-16
Learning from examples (drzewa decyzyjne)

Summary
In this part we covered the following concepts:
- why we want an agent to learn;
- which agent's components can be learned;
- define / explain three main types of learning;
- what is a decision tree and how it works;
- define and explain decision tree learning algorithm.
2016-01-13
Sztuczne sieci neuronowe (czym jest sztuczny neuron)
- Moje notatki (rozdział 15 i 16, strony 125 -- 157)
Summary
In this part we covered the following concepts:
- a biological neuron - important "parts" and properties;
- an artificial neuron - how it imitate bilogical parts and functionality;
- activation function;
- basic networks architectures;
- basic properties of neural networks in terms of classification areas (blea and red regions).
2016-01-20
Sztuczne sieci neuronowe - ciąg dalszy (czym jest sztuczna sieć neuronowa, jej budowa itd)

Różne materiały uzupełniające

Strategies and Tactics for Intelligent Search
Algorithmic Thoughts (m.in. opis algorytmów przeszukiwania)

Ćwiczenia

Wysyłając pliki proszę stosować się do poniższych zasad:

Całe zadanie / projekt proszę wysyłać jako jeden plik będący archiwum zip.
Nie używać dużych liter.
Nie używać spacji tylko znak podkreślenia.
Nie używać znaków narodowych, czyli np. ą, ć itd.
Do numeracji używać zawsze dwóch cyfr najwyżej jako pierwsza będzie 'zero').
Zachować format: nazwisko_imie_numer.rozszerzenie

Numer

Nazwa projektu

Data zadania /
Ostateczny termin oddania

Opis projektu

Puzzle

2015-09-30
do końca semestru

Projekt za 1pkt w wersji z puzzlami kwadratowymi i za 2 pkt z wersji z puzzlami prostokątnymi.

Rozpoznawanie znaków

2015-10-08
2015-11-04

Projekt za 1pkt
Napisać program rozpoznający znaki, tj. klasyfikujący podany znak do jednej z dwóch klas znaków. Przyjmijmy, że znak opisany jest przez mapę bitową o wysokości 7 pixeli i szerokości 5 pixeli. Użytkownik sam określa znaki tworzące każdą z klas.

Test Turinga, rozmowa z chatbotem

2015-10-14
2015-10-21

Projekt za 1pkt
Przeprowadź rozmowę z chatbotem. Spróbuj zdefiniować różnice pomiędzy botem udającym człowieka (przygotowywanym na test Turinga) a botem „asystentem, służącym”. Sprawdź boty ze względu na:

przytaczanie cytatów z Twoich wypowiedzi,
cytowanie wypowiedzi znanych osób, przysłów, powiedzeń itp,
nawiązywanie wypowiedzi do słów kluczowych,
zadawanie dużej liczby pytań,
zadawanie pytań powstających z twoich wypowiedzi,
powracanie do początku wypowiedzi, sekwencyjne powtarzanie,
odpowiadanie wymijająco, ogólnikowo,
problemy z utrzymaniem wątków,
częsta zmiana tematu rozmowy,
opowiadanie żartów.

Sporządź opracowanie na temat Twoich spostrzeżeń, przytaczając odpowiednie fragmenty rozmów.
Zacząć możesz od następujących chatbotów, ale poszukaj też własnych: cleverbot.com www.chatbot4u.com www.chatbot.pl douweosinga.com chatterboty.pl www.chatbots.org www.personalityforge.com wellbot.tk www.inguaris.pl Akinator. The web genie

Przeszukiwania wszerz, w głąb oraz uniform-cost

2015-10-21
2015-11-18

Mój przykładowy program

Labirynty dla BFS i DFS

Opis formatu pliku

Wygląd pól labiryntu (numeracja pól zgodnie z opisem w skrypcie, na wszelki wypadek podaję obok)

0	1	2	3
4	5	6	7
8	9	10	11
12	13	14	15

Graf dla uniform-cost

Opis formatu pliku dla zadania unfiorm-cost

uc01.txt (podgląd)

Plansza dla uniform-cost (a także dla BFS i DFS)

Przykładowa plansza (bfs_citi_01.txt) i jej wygląd:

oraz proponowany koszt wejścia na pola:

Nazwa pola	Koszt wejścia na pole	Numer pola w pliku z danymi
Droga główna (teren nizinny)	0.25	40
Droga drugorzędna (teren nizinny)	0.5	30
Ścieżka (teren nizinny)	1	20
Ścieżka (wzniesienia)	1.5	21
Ścieżka (teren pagórkowaty)	2	22
Ścieżka (góry)	2.5	23
Ścieżka (most)	1	24
Teren nizinny	1.5	10
Wzniesienia	2	11
Teren pagórkowaty	3	12
Góry	4	13
Rzeka	Infinity Przekraczanie zabronione (tylko po drodze)	0
Las (teren nizinny)	2.5	1
Miasto	1	2

Best First Search (A*)

2015-10-28
2015-11-25

Mój przykładowy program

Grafy w przestrzeni

Opis formatu pliku

Inne

Można użyć mapy z poprzedniego ćwiczenia.

Simulated Annealing

2015-11-18
2015-12-02

Problem

We want to minimize a simple function of two variables

            
   min f(z) = (4 - 2.1*x^2 + x^4/3)*x^2 + x*y + (-4 + 4*y^2)*y^2;
    z=(x, y)

Wykres

Solution

        x = -0.0896
        y =  0.7130
        z = (x, y)
        f(z) = -1.0316

Dodatkowe materiały

And-Or drzewa

2015-11-25
2015-12-09

Data files, you can use to test yor program

Genetic algorithms

2015-12-02
2016-01-13

Solve task 6 with genetic algorithm
Suggestion for coding:

Suggestion for crossover:

Mini-max i prosta gra

2015-12-09
end of the semester

Materiały: rozdział 9 ze skryptu.

Drzewa decyzyjne

2014-12-16
end of the semester

Write a program to create decision tree for learning sets similar to restaurant example from corresponding lecture.
Data files, you can use to test yor program (see also: learning set data file format)

Więcej na temat drzew decyzyjnych: rozdział 13 ze skryptu.

Sztuczne sieci neuronowe

2016-01-20
end of the semester

Badanie możliwości klasyfikacji sztucznych sieci neuronowych
Exploring the possibilities of classification of artificial neural networks