DSP332 Mākslīgā intelekta pamati

Kods DSP332
Nosaukums Mākslīgā intelekta pamati
Statuss Obligātais/Obligātais izvēles; Brīvās izvēles
Līmenis un tips Pamatstudiju, Akadēmiskais
Tematiskā joma Datorika
Struktūrvienība Mākslīgā intelekta un sistēmu inženierijas katedra
Mācībspēks Alla Anohina-Naumeca
Kredītpunkti 3.0 (4.5 ECTS)
Daļas 1
Anotācija Mākslīgais intelekts ir datorzinātnes apakšnozare, kas nodarbojas ar tādu datorsistēmu projektēšanu un izstrādi, kurām piemīt raksturojumi (spēja izprast, risināt problēmas, secināt, mācīties, u.t.t.), kas ir saistīti ar intelektu cilvēku uzvedībā. Pēdējās desmitgadēs mākslīgā intelekta iespaids uz sabiedrību aug ļoti ātri: runas atpazīšana un dabīgās valodas analīzes tehnoloģijas, stratēģiskā plānošana un diagnostika, procesu un sistēmu vadība, mašīnas redze un autentifikācija, informācijas izguve un datu izrace ir tikai daži virzieni, kuru attīstība nav iespējama bez mākslīgā intelekta. Šāda strauji augoša mākslīgā intelekta loma mūsdienu un nākotnes sabiedrībā nosaka vajadzību pēc akadēmiski izglītotiem speciālistiem, kas ir apguvuši mākslīgā intelekta pamatus, zina tā perspektīvas, un kuriem ir pieredze mākslīgā intelekta problēmu risināšanā. Šī kursa ietvaros tiek apskatīti divi fundamentālie mākslīgā intelekta pētījumu objekti: atrisinājumu meklēšana, pārmeklējot, un zināšanu atspoguļošana. Galvenā uzmanība ir pievērsta problēmu stāvokļu telpu konstruēšanai un risinājumu atrašanai, izmantojot neinformētas un heiristiski informētas pārmeklēšanas algoritmus, kā arī zināšanu par problēmu atspoguļošanai ar dažādām zināšanu atspoguļošanas shēmām. Divpersonu spēļu ar pilnu informāciju realizācija tiek aplūkota kā praktisks lietojums studiju kursā apgūstamajiem jēdzieniem un algoritmiem. Studiju kursa laikā studenti, strādājot klātienē pāros vai mazās grupās, izpilda praktiskos uzdevumus, lai nostiprinātu apgūtās zināšanas.
Mērķis un uzdevumi, izteikti
kompetencēs un prasmēs
Kursa mērķis ir izveidot studentu zināšanu sistēmu par mākslīgā intelekta pētījumu pamatobjektiem (pārmeklēšanu un zināšanu atspoguļošanu) un attīstīt pamatprasmes sarežģītu problēmu risināšanā, izmantojot tādas mākslīgā intelekta metodes kā stāvokļu telpas konstruēšana, neinformētas pārmeklēšanas algoritmi, heiristiski informētas pārmeklēšanas algoritmi un zināšanu atspoguļošanas shēmas.
Sasniedzamie studiju
rezultāti un to vērtēšana
Studenti zinās mākslīgā intelekta definīciju kategorijas, Tjūringa testu, mākslīgā intelekta mērķus, pieejas, uzdevumus, metodes un pētījuma objektus - 1.kontroldarbs, eksāmena teorētiskie jautājumi
Studenti zinās stāvokļu telpas un spēles koka definīciju, uzbūves elementus un raksturojumus, pārmeklēšanas procesa pamatprincipus, pārmeklēšanas virzienus, neinformētas pārmeklēšanas algoritmu realizācijas principus - 1.kontroldarbs, eksāmena teorētiskie jautājumi
Studenti pratīs veidot spēles koku divpersonu spēlei ar pilnu informāciju - 1.praktiskais uzdevums, eksāmena uzdevums
Studenti pratīs praktiski realizēt neinformētas pārmeklēšanas algoritmus - 2.praktiskais uzdevums, eksāmena uzdevums
Studenti zinās heiristisku zināšanu definīciju un lietošanas situācijas, heiristiskā novērtējuma funkcijas sastāvdaļas, stāvokļu telpas sarežģītības aprēķina principus un samazināšanas metodes, heiristiski informētas pārmeklēšanas un divpersonu spēļu ar pilnu informāciju realizācijas principus - 2.kontroldarbs, eksāmena teorētiskie jautājumi
Studenti pratīs definēt heiristiskā novērtējuma funkciju, kā arī praktiski realizēt heiristiski informētas pārmeklēšanas algoritmus - 3.praktiskais uzdevums, eksāmena uzdevums
Studenti pratīs pielietot Minimaksa un Alfa-beta algoritmus divpersonu spēļu ar pilnu informāciju realizācijai - 4.praktiskais uzdevums, eksāmena uzdevums
Studenti zinās, kas ir zināšanu atspoguļošana, zināšanu bāze, izveduma mehānisms, kā arī dažādu zināšanu atspoguļošanas shēmu elementus, atspoguļošanas likumus, priekšrocības un trūkumus - 3.kontroldarbs, eksāmena teorētiskie jautājumi
Studenti pratīs atspoguļot problēmsfēras zināšanas, izmantojot dažādas zināšanu atspoguļošanas shēmas - 5.praktiskais uzdevums, eksāmena uzdevums
Priekšzināšanas Studentiem ir jāpārzina dažādu datu struktūru, tādu kā saraksti, steki un rindas raksturojumi un apstrādes iespējas, rekursīvu algoritmu realizācijas paņēmieni, kopas un darbības ar kopām, attieksmes, to veidi un īpašības, grafu teorijas pamatjēdzieni un grafu speciālie veidi – koki un tīkli.

Kursa apgūšanas cena klausītājam Pilna laika studijas
Klātiene
Nepilna laika studijas
Klātiene
Nepilna laika studijas
Neklātiene
Lekciju saraksts
Daļa Nodarb. veids Pasniedzēji Telpa Nedēļas
diena
Laiks Nedēļa semestrī
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
2019/2020 gada pavasara semestris
ADBD0 2. kurss, 1+2 grupa
1 Pr.d. Asociētais profesors E.Lavendelis Daugavgrīvas 2 (Meža 1/4)-220 3 12.30 - 14.05 * * * * * * * *
1 Lekc. Asociētais profesors E.Lavendelis Daugavgrīvas 2 (Meža 1/4)-220 3 14.30 - 16.05 * * * * * * * * * * * * * * * *
ADBD0 3. kurss, 1+2 grupa
1 Pr.d. Asociētais profesors E.Lavendelis Daugavgrīvas 2 (Meža 1/4)-220 3 12.30 - 14.05 * * * * * * * *
1 Lekc. Asociētais profesors E.Lavendelis Daugavgrīvas 2 (Meža 1/4)-220 3 14.30 - 16.05 * * * * * * * * * * * * * * * *
Pieteikties uz šo kursu

[Kursa apraksts PDF formātā]