|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KIV / UZI
:
Popis předmětu
Pracoviště / Zkratka
|
KIV
/
UZI
|
Akademický rok
|
2024/2025
|
Akademický rok
|
2024/2025
|
Název
|
Úvod do znalostního inženýrství
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
4
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
2
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
-
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
0 / -
|
8 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní semestr
|
Vyučovaný semestr
|
Zimní semestr
|
Minimum (B + C) studentů
|
10
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
-
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
1|2|3|4 |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ne
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
1|2|3|4 |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
KIV/UIR
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Cílem předmětu je naučit studenty základům znalostních systémů a znalostního inženýrství - struktury znalostních systémů, způsoby reprezentace znalostí, hledání řešení, inferenční mechanismus, řešení reálných znalostních systémů.
|
Požadavky na studenta
|
Schopnost samostatně řešit i složitější úlohy na počítači.
Z důvodu průběžné aktualizace předmětu je pro získání zápočtu při opakovaném zapsání předmětu (viz SZŘ čl. 24 odst. 3) nutné souhlasné vyjádření garanta předmětu.
|
Obsah
|
1. Základní pojmy a charakteristiky znalostních systémů (ZS), oblasti jejich využití. Předpoklady vzniku ZS a jejich vývoj, prázdný ZS (shell)
2. Zopakování formální logiky a logického programování - formalismy, výroková a predikátová logika 1. řádu, základy Prologu/Pythonu, příklady
3. Dedukce ve výrokové a predikátové logice, odvozovací pravidla, rezoluční metoda a její realizace v Prologu a Pythonu, příklady
4. Hornovy klauzule a programování v jazyce Prolog/Python, příklady řešení i složitějších úloh v Prologu/Pythonu, ladění programů v Pythonu
5. Reprezentace znalostí ve ZS, produkční pravidla, sémantické sítě; získávání znalostí, inferenční metody, rezoluční systémy, příklady
6. Prohledávání inferenční sítě, dopředné a zpětné řetězení pravidel, výběr dotazu, RETE algoritmus a nemonotónní usuzování, jednoduché příklady realizací inferenční sítě a algoritmů usuzování
7. Usuzování za neurčitosti, hypotetické usuzování a zpětná indukce, míry postačitelnosti a nezbytnosti; kombinace důkazů, šíření pravděpodobnosti v inferenčních sítích
8. Přibližné usuzování, míry důvěry a nedůvěry, faktory jistoty, Dempster-Shaferova teorie, využití fuzzy logiky a fuzzy relací k řešení problému neurčitosti
9. Architektura znalostních systémů, kritéria určení nejvhodnějšího řešení a podmínky jeho realizace
10. Centralizovaná a decentralizovaná řešení; životní cyklus znalostního projektu a jeho realizace v různých programovacích jazycích
11. Způsoby tvorby znalostních systémů, agentová architektura znalostních systémů, multiagentní systémy; metodika komunikace se znalostním systémem prostřednictvím různých modelů znalostí
12. Principy projektování a stadia vývoje znalostních a expertních systémů znalostním inženýrem a možnosti jejich realizace, ukázky
13. Příklady reálných znalostních systémů, vysvětlovací mechanismus, kontextové vazby, typy uzlů a pravidel; možnosti implementace reálných systémů, ukázky
|
Aktivity
|
|
Studijní opory
|
Stručný úvod do programovacího jazyka Prolog (PDF soubor)
Učebnice Python 3 (PDF soubor)
Literatura a tutorial pro Python (PDF soubor)
Python tutorial (eng) (PDF soubor)
Python tutorial česky (PDF soubor)
Znalostní systémy - kap. 4 skripta Umělá inteligence a rozpoznávání (PDF soubor)
Reprezentace znalostí - Žáček - skriptum Ostravské univerzity (PDF soubor)
Expertní systémy - stručný učební text z VŠE (PDF soubor)
Znalostní systém pro návrh osvětlení - návod (PDF soubor)
Expertní systémy - bakalářská práce z VUT Brno (PDF soubor)
Znalostní technologie - teorie vs. praxe (PDF soubor)
Reprezentace znalostí - skriptum Prof. A. Lukasové, Ostravská univerzita (PDF soubor)
Znalostní systémy - studijní materiály pro rozšířené studium (zip soubor 16 MB)
Dempster-Shaferova teorie - studijní materiály pro domácí studium (zip soubor 1 MB)
|
Garanti a vyučující
|
|
Literatura
|
-
Doporučená:
Russell, Stuart J.; Norvig, Peter. Artificial intelligence : a modern approach. Upper Saddle River : Prentice Hall, 2003. ISBN 0-13-790395-2.
-
Doporučená:
Dvořák, J. Expertní systémy. Skriptum VUT Brno, 2004.
-
Doporučená:
Stefik, M. Introduction to Knowledge Systems. Morgan Kaufman Publ., 1995. ISBN 155860166X.
-
Doporučená:
Geisler, E. Knowledge and Knowledge Systems. IGI Global Publ, 2007. ISBN 9781599049182.
-
Doporučená:
Brachman, R.J.; Levesque, H.J. Knowledge Representation. Elsevier, 2004. ISBN 1558609326.
-
Doporučená:
Abdoullaev, A. Reality, Universal Ontology and Knowledge Systems. IGI Global Publ., 2008. ISBN 9781599049663.
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Kontaktní výuka
|
52
|
Příprava na dílčí test [2-10]
|
3
|
Příprava prezentace (referátu) [3-8]
|
4
|
Příprava na zkoušku [10-60]
|
40
|
Příprava na laboratorní měření, zpracování výsledků [1-8]
|
5
|
Celkem
|
104
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
využívat znalosti z oblasti umělé inteligence získané absolvováním předmětu Umělá inteligence a rozpoznávání |
navrhnout a realizovat i složitější programové systémy s umělou inteligencí |
Odborné dovednosti - pro úspěšné zvládnutí předmětu se předpokládá, že student před zahájením výuky dokáže: |
vytvářet programy v procedurálních (min. v Javě a v C++) i neprocedurálních (min. v Prologu) programovacích jazycích |
využívat některé databázové systémy |
navrhovat a realizovat složitější programové systémy |
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
bc. studium: rozpozná problém, objasní jeho podstatu, rozčlení ho na části, |
bc. studium: kriticky přistupuje ke zdrojům informací, informace tvořivě zpracovává a využívá při svém studiu a praxi, |
bc. studium: uplatňuje při řešení problémů vhodné metody a dříve získané vědomosti a dovednosti, kromě analytického a kritického myšlení využívá i myšlení tvořivé s použitím představivosti a intuice, |
bc. studium: zvažuje možné klady a zápory jednotlivých variant řešení, včetně posouzení jejich rizik a důsledků, |
bc. studium: své učení a pracovní činnost si sám plánuje a organizuje, |
má znalosti z oblasti vytváření efektivních programových struktur a jejich snadného ladění |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
základních datových i programových struktur pro reprezentaci znalostí |
používání těchto struktur pro efektivní reprezentaci znalostí |
navrhování znalostních systémů, včetně aplikace agentových technologií a multiagentních systémů |
programové realizace výše uvedených systémů |
Odborné dovednosti - po absolvování předmětu prokazuje student dovednosti: |
navrhovat a programově realizovat efektivní reprezentaci znalostí |
navrhovat a programově realizovat jednoduché báze znalostí |
s využitím jednodušších databázových systémů realizovat báze dat |
navrhovat architekturu jednodušších znalostních systémů |
Obecné způsobilosti - po absolvování předmětu je student schopen: |
bc. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
bc. studium: samostatně získávají další odborné znalosti, dovednosti a způsobilosti na základě především praktické zkušenosti a jejího vyhodnocení, ale také samostatným studiem teoretických poznatků oboru, |
vyhodnotit efektivitu realizovaných programových struktur a systémů |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Kombinovaná zkouška, |
Test, |
Individuální prezentace, |
Odborné dovednosti - odborné dovednosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Demonstrace dovedností (praktická činnost), |
Seminární práce, |
Skupinová prezentace, |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Přednáška s demonstrací, |
Přednáška s diskusí, |
Cvičení (praktické činnosti), |
Laboratorní praktika, |
E-learning, |
Výuka podporovaná multimédii, |
Řešení problémů, |
Samostudium, |
Samostatná práce studentů, |
Prezentace práce studentů, |
Individuální konzultace, |
Odborné dovednosti - pro dosažení odborných dovedností jsou užívány vyučovací metody: |
Laboratorní praktika, |
Řešení problémů, |
Demonstrace dovedností, |
Obecné způsobilosti - pro dosažení obecných způsobilostí jsou užívány vyučovací metody: |
E-learning, |
Analyticko-kritická práce s textem, |
Samostudium, |
Samostatná práce studentů, |
|
|
|
|