Проектування систем штучного інтелекту (інформатика)

Тип: Нормативний

Кафедра: дискретного аналізу та інтелектуальних систем

Навчальний план

СеместрКредитиЗвітність
84Залік

Лекції

СеместрК-сть годинЛекторГрупа(и)
828Колос Н. М.ПМі-41, ПМі-42, ПМі-43

Лабораторні

СеместрК-сть годинГрупаВикладач(і)
828ПМі-41Колос Н. М.
ПМі-42Колос Н. М.
ПМі-43Колос Н. М.

Опис курсу

Мета. Метою курсу є строге викладення універсальних моделей і методів, які застосовують під час проектування комп’ютерних систем, здатних виконувати функції, які традиційно вважають інтелектуальними.

Короткий опис. У курсі вивчаються структури і стратегії пошуку в просторі станів, представлення знань, засновані на знаннях методи розв’язування задач, машинне навчання (індуктивний алгоритм ID3 побудови дерева рішень, штучні нейронні мережі), доведення теорем методом резолюції, міркування в умовах неточної і неповної інформації.

Завдання. Головним завданням курсу є ознайомлення студентів з базовими моделями і методами, які застосовують у системах штучного інтелекту. Значну увагу приділено математичному апарату, який використовується в штучному інтелекті.

У результаті вивчення даного курсу студент повинен

знати

  • формулювання основних понять і означень штучного інтелекту;
  • способи подання задач і методи пошуку розв’язків;
  • моделі подання знань;
  • моделі виведення;
  • виведення в умовах ненадійних або неповних знань.

вміти

·         правильно визначати необхідні моделі для застосувань;

·         використовувати відповідні алгоритми штучного інтелекту;

·         використовувати доступні програмні середовища для задач штучного інтелекту.

 

Aim.Learn the concept of data mining and algorithms of cluster analysis.

Summary.The course considers the procedure of cluster analysis and algorithms of partitional & hierarchical clustering. Student will have to deal with terms like clustering, data set, feature, cluster, centroid and dendrogram. To perform an efficient data mining it is important to look at feature types and an appropriate proximity measures. After that clustering algorithms, namely K-means and UPGMA, are considered.Finally to assess the quality of clustering result student will get familiar with cluster validity measures.

Target.Master the concept of cluster analysis. Get acquainted with termsdata mining, cluster, centroid, dendrogram, data set, feature. Learn feature types and an appropriate proximity measures. Master the concept of partitional and hierarchical clustering. Learn to apply K-means and UPGMA algorithms on practice; use cluster validity measures to assess quality of clustering.

After completion of this course a student should

Ø  know:procedure of cluster analysis;feature types and proximity measures;the concept of hierarchical and partitional clustering; clustering algorithms, namelyK-means andUPGMA; cluster validity measures;

Ø  be able to:perform feature extraction for clustering algorithms;use an appropriate proximity measures; apply K-means andUPGMA algorithms; measure the quality of clustering.