mesterséges intelligencia

A nagybonyolultságú műszaki problémákban felmerülő nehézségeket csak a szintén nagybonyolultságú és a problémamegoldó komponenseiben gazdag intelligens számítógépes rendszerekkel lehet leküzdeni. Ilyen rendszerek tipikusan a hierarchikus felépítésű heterogén rendszerek, ahol numerikus algoritmusok, konnekcionista komponensek és szimbólikus következtetésre alkalmas (szakértő) rendszerek, továbbá ezek kiterjesztése az elosztott problémamegoldás esetére egyaránt előfordulnak. A tárgy célja megismertetni a hallgatókat a jelenleg legcélszerűbbnek tartott komponensválasztékkal, továbbá megadni azokat az integrációs elveket, rendszertechnikai és implementációs ismereteket, amelyek felhasználásával sikeresen fejleszthetők nagybonyolultságú és hibrid architekturájú intelligens számítógépes rendszerek.

• Tudás-intenzív problémák. A tudás fajtái, a tudás ábrázolása.
• A gépi tanulás fajtái, induktív tanulás., szimbolikus kifejezések induktív tanulása, valószínűségi hálók tanulása, megerősítéses tanulás, genetikus algoritmusok. A statisztikai tanuláselmélet alapjai.
• Tanuló rendszerek architektúrái. A konnekcionista megoldásnak kedvező probléma-osztályok. A neurális hálók alapfogalmai, típusai, különböző neurális architektúrák - ismertetés és összevetés. A tanulás szerepe a neurális hálóknál (ellenőrzött és nemellenőrzött tanulás), a tanulás, mint optimalizálás. Tanulási sémák (gradiens eljárások, hibavisszaterjesztés, Hebb tanulás, stb). A neurális hálók méretezési és alkalmazási kérdései (függvényapproximáció, felismerési problémák, nemlineáris dinamikus rendszerek modellezése, klaszterezés, asszociáció).

• Bizonytalan tudás és kezelési módszerei. Fuzzy és fuzzy-neurális rendszerek.
• A tudásreprezentáció különböző formáit együttesen használó hibrid intelligens rendszerek. A szimbólikus tudás ábrázolása és a szabályalapú rendszerek. Szimbolikus és tapasztalati tudás együttes kezelése, a priori tudás beépítése neurális rendszerekbe, szimbolikus tudás kinyerése megtanított hálókból, magyarázatgenerálás.
• Komplex tudásalapú rendszerek felépítése, versengés és együttműködés. Szakértői, neurális, fuzzy és genetikus módszereket alkalmazó komplex rendszerek. A realizáció kérdései. Alkalmazási példák.

A tárgy elméleti része előadás formájában kerül leadásra. A tárgy témaköréhez illeszkedő gyakorlati ismeretek elsajátítására az Elosztott intelligens rendszerek labor keretein belül, annak második felében kerül sor.

- félévközben (8. héten, külön időpontban) egy nagy ZH (max. pontszám 60), amely a félév utolsó hetében és a vizsgaidőszak 3. hetében biztosított külön alkalommal pótolható, a szükséges minimum szint a pontok 40%-a.

- egy házi feladat, melynek kiadása a 7. oktatási héten történik. A megoldásokat dokumentáló jegyzőkönyveket a 13. héten kell leadni. A házi feladat bemutatása és értékelése (amennyiben a dokumentáció előzetesen le lett adva) a 14. héten történik, egy közös nyilvános bemutató keretében.

A házi feladatra max. 20 pontot lehet kapni, a szükséges minimum a pontok 40%-a.

b. A vizsgaidőszakban: szóbeli vizsga. A vizsgára bocsátás feltétele az évközi ZH és házi feladat minimális (40 %) szintű teljesítése.

Russel, S. J., Norvig, P.: "Mesterséges Intelligencia modern megközelítésben" Panem-Prentice Hall, Budapest, 2000. VI. fejezet.

Haykin, S.: "Neural Networks. A Comprehensive Foundation" Second Edition, Prentice Hall. 1999.

Schölkopf, B – Smola, A.J. "Learning with Kernels", MIT Press, Cambridge, MA. 2002.

Horváth, G. (szerk): "Neurális hálózatok és műszaki alkalmazásaik" Egyetemi tankönyv, Műegyetemi Kiadó, 1998.

Hassoun, M. H.: "Fundamentals of Artificial Neural Networks" MIT Press, Cambridge, 1995

Mitchell, T. "Machine Learning" McGraw Hill, New York, 1997.

A Méréstechnika és Információs Rendszerek Tanszék WWW szerverén található összefoglaló anyag