UINSM03 Artificial Intelligence and Cognitive Science

Faculty of Philosophy and Science in Opava
Summer 2019
Extent and Intensity
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
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.
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.
The course is also listed under the following terms Winter 2007, Summer 2008, Winter 2008, Summer 2009, Winter 2009, Summer 2010, Winter 2010, Summer 2011, Winter 2011, Summer 2012, Winter 2012, Summer 2013, Winter 2013, Summer 2014, Winter 2014, Summer 2015, Winter 2015, Summer 2016, Winter 2016, Summer 2017, Winter 2017, Summer 2018, Winter 2018, Summer 2020.
  • Enrolment Statistics (Summer 2019, recent)
  • Permalink: https://is.slu.cz/course/fpf/summer2019/UINSM03