МИИ_0_17 (1) (лекции)

МетодыискусственногоинтеллектаЕфремова Наталья ЭрнестовнаГрацианова Татьяна ЮрьевнаБольшакова Елена ИгоревнаСодержание1.  Общие задачи и особенности курса«Методы искусственного интеллекта» (МИИ)2.  Описание исходного англоязычного курса MIT«Artificial Intelligent» (AI)3.  Содержание и форма проведения курса МИИ4.  Аудиторные занятия по поддержке лекцийØ  Роли и задачи студентов5.  Примеры подготовки материала к занятиюØ  Видео-лекции на английском, примерыслайдов6.  Задание на 16 февраля, планы2Содержание1.  Общие задачи и особенности курса«Методы искусственного интеллекта» (МИИ)2.  Описание исходного англоязычного курса MIT«Artificial Intelligent» (AI)3.  Содержание и форма проведения курса МИИ4.  Аудиторные занятия по поддержке лекцийØ  Роли и задачи студентов5.  Примеры подготовки материала к занятиюØ  Видео-лекции на английском, примерыслайдов6.  Задание на 16 февраля, планы3Задачи и особенностикурса МИИn n n Прослушать современный курс на английскомязыке в области искусственного интеллекта (ИИ)Изучить современные подходы в области ИИ, атакже вспомнить базовые подходы и методыОсвоить англоязычную терминологиюОдно аудиторное занятие в неделю, зачетОснова: интернет-курс MIT Artificial Intelligent (AI)n  профессор Патрик Генри Уинстонn  Массачусетский технологический институт4Курс AI: теоретическийматериалОсновная часть – видео-лекции ссубтитрами (Lectures, Subtitles)Для закрепления:n  дополнительные лекции, семинары(Recitations)n  демонстрация работы алгоритмов(Demonstrations)n  материал для чтения, конспекты(Reading, Tutorials)5Курс AI: средстваоценкиДля проверки знаний:n  практические задания (Assignments)n  опросы (Quiz) – задания для самостоятельногорешения, без программированияn  экзамен (Final exam)Страница курса:https://ocw.mit.edu/courses/electrical-engineering-andcomputer-science/6-034-artificial-intelligence-fall-2010/index.htmq  Можно скачать все имеющиеся материалы себена компьютер6Курс AI: темыОсновные части:I.  Эвристический поиск и модели вывода/рассуждений (algorithms of heuristic search,goal trees, problem solving)II.  Методы машинного обучения(nearest neighbors, identification trees,neural nets, SVM, genetic algorithms, boosting)III.  Смежные темы (reasoning with constraints,visual object recognition, representations,AI architectures, probabilistic inference)7Содержание и форманашего курса МИИn  Работа дома, самостоятельно:Прослушивание лекции на английском языкеПодготовка презентации и/или конспекта посодержанию лекции (2-7 слайдов)v  Решение домашних заданий (Quiz)n  Аудиторные занятия – для поддержки курса:v  Просмотр презентаций, обсуждение ихсодержания, терминологии и др.v  Обсуждение решенных домашних задачn  Накопительная балльная система за участие ваудиторных занятиях и решение домашнихзаданий (для зачета)v v 8Условия получениязачета по курсу МИИn n Не менее одного сделанного конспекта (язык –русский) и одной презентации (русский и/илианглийский) по лекциям курса AIНе менее одного решенного набора заданий (Quiz)по другой части курса (выбор свободный)Все работы по курсу оцениваются в баллах, включаяучастие в аудиторных обсужденияхn  Для зачета-автомата необходимо набратьопределенное число балловn  Итоговая письменная контрольная работа в мае –для тех, кто не набрал баллов на автомат:Ø  задания на английском, по всем темамn 9Самостоятельныедомашние заданияКаждый Quiz включает задания по 1-2-3 темам(например: Search, SVM, Probability)n  Задания в Quiz сформулированы на английскомn  Требуют понимания изучаемых моделей,методов, алгоритмовn n Каждому студенту достаточно решенияполовины одного Quiz (выбор свободный из ещене выбранных)Решения сдаются и обсуждаются на следующемзанятии после лекции, к которой они относятся10Курс AI: выбор лекции№LectureRcDRdTQ1Introduction and scope2+4Reasoning: goal trees and problem solvingReasoning: goal trees and rule-basedexpert systemsSearch: depth-first, hill climbing, beam+++5Search: optimal, branch and bound, A*+++6Search: games, minimax, and alpha-beta++7Constraints: interpreting line drawings++8Constraints: search, domain reduction++9Constraints: visual object recognition3+Лекции 2 и 3 будут рассмотрены в апрелеRc – Recitation D – DemonstrationRd – Reading T – TutorialQ – Quiz++++++11Выбор лекции(продолжение)№LectureRcDRdTQ10Introduction to learning, nearest neighbors+++11Learning: identification trees, disorder+++12a Learning: neural nets+++++12b Learning: deep neural nets+++++13Learning: genetic algorithms15Learning: near misses, felicity conditions+16Learning: support vector machines+++++17+++++21Learning: boostingArchitectures: GPS, SOAR, Subsumption,Society of MindProbabilistic inference I22Probabilistic inference II19++++++?++++12.