02182 Symbolsk kunstig intelligens

2024/2025

Kurset er en del af bacheloruddannelsen Kunstig Intelligens og Data og er forbeholdt studerende fra denne uddannelse. Andre studerende henvises til kursus 02180.
Kursusinformation
Symbolic Artificial Intelligence
Dansk
5
Bachelor
Retningsspecifikt kursus (BSc), Kunstig Intelligens og data
Teknologiske linjefag, Kunstig Intelligens og Data
F1B (tors 13-17)
Campus Lyngby
Forelæsninger, øvelser og obligatoriske afleveringer.
13-uger
F1B
Skriftlig eksamen og bedømmelse af rapport(er)
Kurset bedømmes på basis af 3 gruppeprojekter og en afsluttende skriftlig eksamen. Karakteren gives som en helhedsvurdering, hvor hver af de 3 gruppeprojekter vægtes med omtrent 20% og den afsluttende eksamen med omtrent 40%.
Skriftlig eksamen: 2 timer
Alle hjælpemidler - uden adgang til internettet
7-trins skala , intern bedømmelse
02180
01017. 02105. 02450. 02464. 02465. , eller ækvivalente kurser. Du skal have erfaring med algoritmer og datastrukturer, programmering, udsagnslogik og rekursive procedurer. Kurset kræver erfaring med implementation af ikke-trivielle algoritmer i et standard programmeringssprog som fx Java eller Python.
Thomas Bolander , Lyngby Campus, Bygning 322, Tlf. (+45) 4525 3715 , tobo@dtu.dk
01 Institut for Matematik og Computer Science
I studieplanlæggeren
Kontakt underviseren for information om hvorvidt dette kursus giver den studerende mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
Overordnede kursusmål
Målet er at introducere den studerende til fundamentale begreber og teknikker indenfor symbolsk kunstig intelligens samt anvende disse indenfor søgning, planlægning, spil, multiagent-systemer, social intelligens og chatbots. I symbolsk kunstig intelligens arbejder man med eksplicitte – sproglige eller logiske – modeller af omverden. Dette giver visse fordele med hensyn til at bygge systemer som kan lægge planer og ræsonnere logisk, samt giver fordele omkring forklarlighed og sikkerhed. Desuden vil den studerende blive introduceret til relationen mellem symbolske og subsymbolske (konnektionistiske) teknikker i kunstig intelligens, samt hvorledes disse kan kombineres.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Forklare forskellen på symbolske og subsymbolske teknikker indenfor kunstig intelligens (AI)
  • Forklare de respektive anvendelsesområder, fordele og ulemper ved symbolsk og subsymbolsk kunstig intelligens
  • Udvælge passende formelle modeller til at repræsentere tilstande og transitioner i et givet domæne
  • Analysere hvilke algoritmer og teknikker indenfor symbolsk kunstig intelligens der er relevante i forhold til en given anvendelse
  • Implementere simple symbolske AI-metoder til søgning, vidensrepræsentation, planlægning, spil, multiagent-systemer, social intelligens og chatbots
  • Anvende eksisterende symbolske AI-værktøjer til søgning, vidensrepræsentation, planlægning, spil, multiagent-systemer, social intelligens og chatbots
  • Analysere hvilke teknikker – symbolske, subsymbolske eller en kombination – der er nødvendige for at automatisere en given opgave
  • Integrere symbolske og subsymbolske teknikker i en autonom agent, fx en fysisk robot
Kursusindhold
1. Modeller for sprog og viden: propositionelle tilstande, belief states, epistemiske modeller, simple modeller i sprogteknologi (NLP).

2. Algoritmer og værktøjer på modeller for sprog og viden: STRIPS-planlægning, planlægningsværktøjer, chatbot-teknologi, chatbot-værktøjer.

3. Multiagent-systemer og social AI: Modeller for koordination, samarbejde og kommunikation. Theory of Mind og multiagent-planlægning.

4. Symbolsk vs subsymbolsk AI: Styrker og svagheder i symbolsk vs subsymbolsk AI. Introduktion til kombinationen af symbolske og subsymbolske teknikker.

5. Anvendelser: Integration af samtlige kursets emner til anvendelser indenfor socialt intelligente robotter.
Sidst opdateret
02. maj, 2024