FPF:UINSM03 Artific. Intelligence and Cogn - Course Information
UINSM03 Artificial Intelligence and Cognitive Science
Faculty of Philosophy and Science in OpavaSummer 2020
- Extent and Intensity
- 0/0/0. 0 credit(s). Type of Completion: -.
- Guaranteed by
- Institute of Computer Science – Faculty of Philosophy and Science in Opava
- Course Enrolment Limitations
- The course is also offered to the students of the fields other than those the course is directly associated with.
- fields of study / plans the course is directly associated with
- Computer Science and Technology (programme FPF, N1801 Inf)
- Syllabus (in Czech)
- C1. Kognitivní vědy
1. Vymezení kognitivní vědy v kontextu souvisejících disciplín.
2. Vymezení problému reprezentace poznatků a přístupy k řešení tohoto problému.
3. Výpočetně-reprezentační chápání mysli v kognitivní vědě.
4. Logika jako prostředek reprezentace a její kritika.
5. Pravidlový systém jako prostředek reprezentace a jeho kritika.
6. Reprezentace poznatků a využití analogií.
7. Koncepty a asociativní sítě.
8. Konekcionistické představy o mysli a (umělé) neuronové sítě.
C2. Umělé neuronové sítě
1. Aktivní, adaptivní a organizační dynamika umělé neuronové sítě. Typy učení, trénovací a testovací množina, problém přeučení sítě.
2. Perceptron a perceptronový učící algoritmus, realizace logických funkcí perceptronem, omezené schopnosti jednovrstvých perceptronových sítí.
3. Vícevrstvý perceptron a algoritmus Backpropagation. Rychlé metody pro učení vícevrstvého perceptronu: metoda konjugovaných gradientů, resilient backpropagation a další.
4. Rychlé metody pro učení vícevrstvého perceptronu: metoda konjugovaných gradientů, resilient backpropagation, další metody.
5. Heteroasociativní sítě, topologie, učící algoritmus. Autoasociativní síť, Hopfieldův model, kapacita Hopfieldovy paměti.
6. Sítě s lokálními (RBF) neurony, jejich organizační a aktivní dynamika, třífázové učení. Vlastnosti a aplikace, srovnání s vícevrstvým perceptronem.
7. Kompetitivní sítě, kvantování vektorů učením, Lloydův algoritmus, Kohonenovo adaptační pravidlo, varianty učení UCL, DCL a SCL.
8. Kohonenovy samoorganizační mapy, popis a aplikace, příklady jednorozměrné a dvourozměrné mapy.
C3. Architektura autonomních systémů
1. Pojem agenta v porovnání s procedurou v procedurálním programovacím jazyce. Charakteristika agentů na základě jejich architektury.
2. Reaktivní agent. Stavba, charakteristika, příklady.
3. Subsumpční architektura agentů. Základní principy a vlastnosti. Porovnání s architekturou BDI.
4. Charakteristika odlišnosti v architektuře robotů Herberta a Toto.
5. Architektura BDI agentů. Její výhody, nevýhody a zařazení do rámce architektur agentových systémů.
6. Jaké jsou základní typy koordinačních mechanizmů v multiagentových systémech. Charakterizace koordinačního mechanizmu kontraktační sítě a koordinace pomocí stigmergie.
7. Charakterizace emergence a její příklady.
8. Komunikační jazyky založené na bázi komunikačních (řečových) aktů. Jazyk KQML.
9. Základní principy učení posilněním (příklad společenstva reaktivních robotů).
10. Jaké typy životních cyklů mobilních agentů poznáte. Příklady konkrétních vývojových nástrojů nebo programovacích jazyků, ve kterých se uvedené životní cykly uplatňují.
- C1. Kognitivní vědy
- Teaching methods
- Interactive lecture
Lecture with a video analysis - Assessment methods (in Czech)
- Závěrečná ústní zkouška
- Language of instruction
- Czech
- Further comments (probably available only in Czech)
- The course can also be completed outside the examination period.
- Enrolment Statistics (recent)
- Permalink: https://is.slu.cz/course/fpf/summer2020/UINSM03