Program studiów

Witaj na stronie studiów z zakresu Sztucznej Inteligencji (AI)!

Przewiń niżej jeśli chcesz zobaczyć czego nauczysz się studiując z nami. Studia z zakresu sztucznej inteligencji od roku akademickiego 2018/19 odbywać się będą w ramach kierunku Kognitywistyka jako jedna z dwóch ścieżek tematycznych.

Logiczne podstawy sztucznej inteligencji

Na początku nauczymy Cię podstaw logicznego i precyzyjnego myślenia. Nauczysz się również używać logiki do tworzenia inteligentnych systemów ekspertowych.

  • Wprowadzenie do rachunków logicznych
    • wybrane pojęcia semiotyczne: znak, język, kategorie składniowe, definicje, podział logiczny
    • klasyczny rachunek zdań
    • rachunek predykatów
    • elementarne wiadomości o zbiorach i relacjach
    • logiki nieklasyczne
  • Elementy teorii zbiorów uporządkowanych
    • kraty
    • algebra Boole’a
  • Wprowadzenie do teorii systemów dedukcyjnych
    • funkcje i zbiory obliczalne
    • pojęcie konsekwencji, twierdzenie o dedukcji, niesprzeczność, niezależność, rozstrzygalność, matryce logiczne
    • model teorii, spełnianie, prawdziwość, wynikanie logiczne, pełność systemu
    • twierdzenie Gödla
    • złożoność obliczeniowa
  • Programowanie w Prologu

Programowanie na potrzeby Sztucznej Inteligencji

Podczas zajęć z tego modułu nauczysz rozumieć czym jest program komputerowy i jak wygląda cały proces tworzenia oprogramowania. Nauczymy Cię jak programować w popularnych językach skryptowych i obiektowych oraz zapoznasz się z przyszłością programowania, czyli z programowaniem komputerów kwantowych.

  • Podstawy programowania
    • maszyna Turinga, maszyna stanów
    • wprowadzenie do algorytmów
  • Programowanie w języku skryptowym
    • Python
  • Programowanie obiektowe
    • JAVA
  • Programowanie komputerów kwantowych
  • Inżynieria oprogramowania
    • analiza i specyfikacja wymagań
    • git, agile,
    • dokumentacja techniczna

Reprezentacja wiedzy

Podczas zajęć z tego modułu nauczysz się jak zapisać wiedzę w sposób zrozumiały dla komputera.

  • Wprowadzenie do reprezentacji wiedzy
    • wprowadzenie do ontologii
    • UML, diagramy ER
    • logika opisowa jako podstawa inferencji w reprezentacji wiedzy
    • języki reprezentacji wiedzy: RDF, RDFS oraz OWL
  • Praktyczne tworzenie ontologii w edytorze Protégé
  • Open Linked Data
    • język kwerend SPARQL
  • Interfejsy ontologiczne
    • RDF4J API (JAVA)
    • rdflib (Python)

Przetwarzanie języka naturalnego i uczenie maszynowe

Podczas zajęć z tego modułu nauczysz się używać metod statystycznych do uczenia maszynowego i przetwarzania języka naturalnego.

  • Wprowadzenie do statystyki
    • rachunek prawdopodobieństwa
  • Uczenie maszynowe (ML)
    • Weka
  • Sieci neuronowe
  • Deep Learning
    • PyTorch, Caffe, Theano lub TensorFlow
  • Przetwarzanie języka naturalnego (NLP)
    • Lucene
    • Solr
    • interfejs SolrJ (JAVA)