Методи та системи штучного інтелекту

Анотація навчальної дисципліни

Мета вивчення дисципліни «Методи та системи штучного інтелекту» – формування та розвиток компетентностей спрямованих на розв’язування складних спеціалізованих задач та практичних проблем у галузі комп’ютерних наук для адекватного моделювання предметних областей і створення інтелектуальних інформаційних систем на основі методів машинного навчання та штучного інтелекту включно з нейромережевою обробкою великих та слабко структурованих даних. 

Практичне значення та використання отриманих знань дисципліни «Методи та системи штучного інтелекту» - отримання здобувачами базової вищої освіти теоретичних знань, спеціальних умінь і практичних навичок з використання методів машинного навчання та штучного інтелекту включно з нейромережевою обробкою для вирішення спеціалізованих задач, які характеризуються комплексністю та невизначеністю умов:
–    отримати знання основних понять та визначень теорії штучного інтелекту
–    отримати знання та практичні навички з використання методів штучного інтелекту для вирішення задач кластеризації 
–    отримати знання та практичні навички з використання методів штучного інтелекту для вирішення задач регресії
–    отримати знання та практичні навички з використання методів штучного інтелекту для вирішення задач класифікації
–    отримати знання та практичні навички з використання методів штучного інтелекту для вирішення задач управління в термінах задачі класифікації
–    отримати знання побудови та функціонування інтелектуальні системи, а також з визначення та моделей представлення знань.

Основні результати навчання
ПРН1. Застосовувати знання основних форм і законів абстрактно-логічного мислення, основ методології наукового пізнання, форм і методів вилучення, аналізу, обробки та синтезу інформації в предметній області комп'ютерних наук. 
ПРН3. Використовувати знання закономірностей випадкових явищ, їх властивостей та операцій над ними, моделей випадкових процесів та сучасних програмних середовищ для розв’язування задач статистичної обробки даних і побудови прогнозних моделей. 
ПРН4. Використовувати методи обчислювального інтелекту, машинного навчання, нейромережевої та нечіткої обробки даних, генетичного та еволюційного програмування для розв’язання задач розпізнавання, прогнозування, класифікації, ідентифікації об’єктів керування тощо.
ПРН12. Застосовувати методи та алгоритми обчислювального інтелекту та інтелектуального аналізу даних в задачах класифікації, прогнозування, кластерного аналізу, пошуку асоціативних правил з використанням програмних інструментів підтримки багатовимірного аналізу даних на основі технологій DataMining, TextMining, WebMining

Тематика та види навчальних занять

1 тиждень. 
Лекція 1 «Gartner: аналіз стратегічних трендів розвитку ІТ та їх спадкоємність». 
Отримання завдання на розрахунково-графічну роботу. Проведення аналізу та підбору літературних джерел. 
Лабораторне заняття 1 «Моделювання задач кластеризації засобами пакета Octave та Orange. Частина 1».

2 тиждень 
Лекція 2 «Завдання кластеризації»
Лабораторне заняття 1 «Моделювання задач кластеризації засобами пакета Octave та Orange. Частина 2».
Виконання розрахунково-графічної роботи. Частина 1

3 тиждень. 
Лекція 3 «Самоорганізовані мережі Кохонена»
Лабораторне заняття 1 «Моделювання задач кластеризації засобами пакета Octave та Orange. Частина 3».
Виконання розрахунково-графічної роботи. Частина 1
    
4 тиждень. 
Лекція 4 «Практичне застосування нейронних мереж Кохонена»
Лабораторне заняття 1 «Моделювання задач кластеризації засобами пакета Octave та Orange. Частина 4».
Виконання розрахунково-графічної роботи. Частина 1

5 тиждень. 
Лекція 5 «Регресійний аналіз та машинне навчання»
Лабораторне заняття 2 «Моделювання задач регресії засобами електронних
таблиць та Orange. Частина 1».
Виконання розрахунково-графічної роботи. Частина 1

6 тиждень. 
Лекція 6 «Використання нейронних мереж для вирішення задач прогнозування
часових рядів та навчання ігрових персонажів» 
Лабораторне заняття 2 «Моделювання задач регресії засобами електронних
таблиць та Orange. Частина 2».
Виконання розрахунково-графічної роботи. Частина 1

7 тиждень. 
Лекція 7 «. Основні відомості про нейронні мережі». 
Лабораторне заняття 2 «Моделювання задач регресії засобами електронних
таблиць та Orange. Частина 3».
Виконання розрахунково-графічної роботи. Частина 1

8 тиждень 
Лекція 8 «Персептрон, алгоритм Розенблата».
Лабораторне заняття 2 «Моделювання задач регресії засобами електронних
таблиць та Orange. Частина 4».
Виконання розрахунково-графічної роботи. Частина 1
Модульна контрольна робота 1
9 тиждень. 
Лекція 9 «Лінійні нейронні мережі, правило Уидроу-Хоффа». 
Лабораторне заняття 3  «Моделювання задач класифікації засобами Orange Частина 1».
Виконання розрахунково-графічної роботи. Частина 2

10 тиждень. 
Лекція 10 «Багатошарові персептрони»
Лабораторне заняття 3  «Моделювання задач класифікації засобами Orange Частина 2».
Виконання розрахунково-графічної роботи. Частина 2

11 тиждень. 
Лекція 11 «Навчання зі зворотним поширенням помилки (back-propagation learning)»
Лабораторне заняття 3  «Моделювання задач класифікації засобами Orange Частина 3».
Виконання розрахунково-графічної роботи. Частина 2

12 тиждень. . 
Лекція 12 «Розв'язання задач класифікації за допомогою машинного навчання» 
Лабораторне заняття 4 «Моделювання задач класифікації засобами
бібліотек TensorFlow та Keras на хмарному сервісі Google Colaboratory. Частина 1».
Виконання розрахунково-графічної роботи. Частина 2

13 тиждень. 
Лекція 13 «Вирішення задач управління в термінах задачі класифікації»
Лабораторне заняття 4 «Моделювання задач класифікації засобами
бібліотек TensorFlow та Keras на хмарному сервісі Google Colaboratory. Частина 2».
Виконання розрахунково-графічної роботи. Частина 2.

14 тиждень. 
Лекція 14 «Інтелектуальні завдання та інтелектуальні системи»  
Лабораторне заняття 4 «Моделювання задач класифікації засобами
бібліотек TensorFlow та Keras на хмарному сервісі Google Colaboratory. Частина 3».
Захист розрахунково-графічної роботи.

15 тиждень.
Лекція 15 «Визначення та моделі представлення знань»
Лабораторне заняття 4 «Моделювання задач класифікації засобами
бібліотек TensorFlow та Keras на хмарному сервісі Google Colaboratory. Частина 4»
Захист розрахунково-графічної роботи
Модульна контрольна робота 2

Самостійна робота здобувача відбувається впродовж семестру та складається з підготовки до аудиторних занять, контрольних заходів, індивідуальних завдань.
Консультації: здійснюються викладачем впродовж семестру згідно розкладу.

Оцінювання результатів навчання

Оцінювання результатів навчання з дисципліни здійснюється за накопичувальною системою, яка дає можливість здобувачеві протягом семестру отримати максимально 100 балів.

Модуль 1
Лабораторна робота 1 та Лабораторна робота 2  по 10 балів – 20 балів.
Модульна контрольна робота 1 – 20 балів.
Модульна контрольна робота 1 складається з теоретичної частини (2 запитання) та практичної частини (2 задачі). Бездоганна відповідь на теоретичне питання оцінюється 5 балами. Правильне розв’язання задачі оцінюється в 5 балів. 
Виконання першої частини РГР 10 балів

Модуль 2
Лабораторна робота 3 та Лабораторна робота 4 по 10 балів – 20 балів. 
Виконання другої частини РГР – 5 балів.
Захист розрахунково-графічної роботи – 5 балів. 
Модульна контрольна робота 2 – 20 балів. 
Модульна робота 2  складається з теоретичної частини (2 запитання) та практичної частини (2 задачі). Бездоганна відповідь на теоретичне питання оцінюється 5 балами. Правильне розв’язання задачі оцінюється в 5 балів.

Посилання на рекомендовані джерела
1.    T. Kohonen. The self–organizing map / Neural Networks: Theoretical foundations and analysis/ Edited by Clifford G. Y. Lau. New York. IEEE Press. – 1992
2.    Савченко А.С. Методи та системи штучного інтелекту: навч. посібник/ А.С Савченко, О.О. Сінельников – К:НАУ- 2017 с.176  [Електронний ресурс] Режим доступу: https://pdf.lib.vntu.edu.ua/books/2020/Savchenko_2017_176.pdf  
3.    Троцько В.В. Методи штучного інтелекту: навчально-методичний і практичний посібник / В.В. Троцько. - К.: Університет "КРОК", 2020. – 86 с. [Електронний ресурс] Режим доступу: https://library.krok.edu.ua/media/library/category/navchalni-posibniki/t...
4.    ISO/IEC TR 24028:2020 Information technology - Artificial intelligence - Overview of trustworthiness in artificial intelligence. International Organization for Standardization and International Electrotechnical Commissio (англ.). May 2020. [Електронний ресурс] Режим доступу: https://www.iso.org/obp/ui/#iso:std:77608:en