سرفصل درس هوش مصنوعی

هوش مصنوعی (شماره درس: ۴٠۴١٧)

Artificial Intelligence

اهداف درس هوش مصنوعی

در این درس به معرفی جنبه های نظری و عملی هوش مصنوعی پرداخته می شود. هدف درس هوش مصنوعی معرفی تکنیک هایی برای تصمیم گیری به صورت بهینه یا نزدیک به بهینه (optimal-near) در مسائل و محیط های مختلف است. در این درس به مفاهیمی نظیر جست وجو، حل مساله، نمایش دانش (knowledge) و استنتاج (inference) خواهیم پرداخت. همچنین جست وجو در محیط های غیرقطعی (uncertain) نمایش دانش در این محیط ها و استنتاج احتمالاتی برای تصمیم گیری در این شرایط مطرح خواهد شد. به علاوه زمینه ی یادگیری ماشین مختصرا معرفی می شود. در نهایت آشنایی با تعدادی از حوزه های کاربردی هوش مصنوعی صورت خواهد گرفت

سرفصل های درس هوش مصنوعی

1. مقدمه ای بر هوش مصنوعی و تاریخچه ی آن
2. معرفی عامل های هوشمند
3. جست وجوی ناآگاهانه (uninformed)
   • جست‌وجوی اول‐سطح (BFS) و جست‌وجوی اول‐عمق (DFS)
   • جست‌وجوی عمق بخشی تکراری (Deepening Iterative)
   • جست‌وجوی هزینه‐یکنواخت (Search Cost Uniform)
4. جست وجوی آگاهانه (informed)
   • توابع ابتکاری قابل قبول (admissible ) و سازگار (consistent)
   • جست‌وجوی اول بهترین حریصانه (search first best greedy)
   • الگوریتم *A و اثبات بهینگی
   • خودکارسازی تولید توابع ابتکاری
5. جست‌وجوی محلی (local)
   • تپه نوردی (climbing-hill)، شبیه سازی ذوب (annealing simulated)، جست‌وجوی شعاعی محلی (local genetic algorithm) کژنتی وریتمگال و ( beam search)
   • جست‌وجوی محلی در فضای پیوسته: روش کاهش در راستای گرادیان (gradient descent)
6. مسائل ارضای محدودیت (Constraint Satisfaction Problems)
   • جست‌وجوی عقبگرد (backtrack)
   • استفاده از تکنیک‌هایی نظیر MRV ، LCV، بررسی جلورو (AC3 ،MAC ، (Forward ،Checking
   • حل مسائل CSP با رویکرد جستجوی محلی
7. جستجوی مقابله ای (adversarial)
   • الگوریتم minimax و هرس آلفا‐بتا
   • الگوریتم expectiminimax
8. فرایند تصمیم مارکوف (Markov Decision Process)
   • ارزیابی سیاست (policy evaluation) و بهبود (improvement) سیاست
   • روش تکرار ارزش (value iteration) و تکرار سیاست (policy iteration)
9. یادگیری تقویتی (reinforcement learning)
   • روش‌های مبتنی بر مدل (model-based)
   • یادگیری تفاضل زمانی (temporal difference) و الگریتم Q-learning
10. منطق (logic)
    • منطق گزاره‌ای (propositional) و استنتاج (inference) در منطق گزاره‌ای (شامل روش رزولوشن (resolution))
    • منطق مرتبه اول (first-order) و استنتاج در منطق مرتبه اول
11. معرفی شبکه‌های بیزین (Bayesian Networks)
    • بازنمایی (representation) در شبکه‌های بیزین و استقلال (independency) در این شبکه‌ها
    • استنتاج در شبکه های بیزین: استنتاج دقیق و استنتاج تقریبی با استفاده از نمونه برداری
    • تخمین پارامترها در شبکه های بیزین
    • نمونه‌های معروف و کاربردی از شبکه‌های بیزین: مدل مارکوف، مدل مخفی مارکوف (Hidden Markov Model) دسته بند بیز ساده (Naïve Bayes)
12. مقدمه‌ای بر یادگیری ماشین (Machine Learning)
    • مدل‌های خطی (linear models)
    • شبکه‌های عصبی (Neural Networks)
13. معرفی زمینه‌های کاربردی هوش مصنوعی
    • پردازش زبان طبیعی (Natural Language Processing)
    • بینایی ماشین (Computer Vision)
    • رباتیک (robotics)

ارزیابی درس هوش مصنوعی

• تمرین های نظری و عملی: ۶ نمره
• آزمون میان ترم: ۵ نمره
• آزمون پایان ترم: ٧ نمره
• آزمونک ها: ٢ نمره

مراجع درس هوش مصنوعی

[1] Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach. 3rd edition, 2009