هوش مصنوعی

در این درس به معرفی جنبه‌های نظری و عملی هوش مصنوعی پرداخته میشود. هدف درس هوش مصنوعی معرفی تکنیک‌هایی برای تصمیم گیری به صورت بهینه یا نزدیک به بهینه (near-optimal) در مسائل و محیط‌های مختلف است. در این درس به مفاهیمی نظیر جست‌وجو، حل مساله، نمایش دانش (knowledge) و استنتاج (inference) خواهیم پرداخت. همچنین جست‌وجو در محیط‌های غیرقطعی (uncertain)، نمایش دانش در این محیط‌ها و استنتاج احتمالاتی برای تصمیم گیری در این شرایط مطرح خواهد شد. به علاوه زمینه‌ی یادگیری ماشین مختصرا معرفی می‌شود. در نهایت آشنایی با تعدادی از حوزه‌های کاربردی هوش مصنوعی صورت خواهد گرفت.

• مقدمه‌ای بر هوش مصنوعی و تاریخچه‌ی آن
• معرفی عامل‌های هوشمند
• جست‌وجوی ناآگاهانه (uninformed)
  • جست‌وجوی اول-سطح (BFS) و جستجوی اول-عمق (DFS)
  • جست‌وجوی عمق بخشی تکراری (Iterative Deepening)
  • جست‌وجوی هزینه-یکنواخت (Uniform Cost Search)
• جست‌وجوی آگاهانه (informed)
  • توابع ابتکاری قابل قبول (admissible) و سازگار (consistent)
  • جست‌وجوی اول بهترین حریصانه (greedy best first search)
  • الگوریتم *A و اثبات بهینگی
  • خودکارسازی تولید توابع ابتکاری
• جست‌وجوی محلی (local)
  • تپه‌نوردی (hill-climbing)، شبیه‌سازی ذوب (simulated annealing)، جست‌وجوی شعاعی محلی (local beam search) و الگوریتم ژنتیک (genetic algorithm)
  • جستجوی محلی در فضای پیوسته: روش کاهش در راستای گرادیان (gradient descent)
• مسائل ارضای محدودیت (Constraint Satisfaction Problems)
  • جست‌وجوی عقبگرد (backtrack)
  • استفاده از تکنیک‌هایی نظیر LCV، MRV، بررسی جلورو (Forward Checking) ‌، MAC، AC3
  • حل مسائل CSP با رویکرد جستجوی محلی
• جستجوی مقابله‌ای (adversarial)
  • الگوریتم minimax و هرس آلفا-بتا
  • الگوریتم expectiminimax
• فرایند تصمیم مارکوف (Markov Decision Process)
  • ارزیابی سیاست (policy evaluation) و بهبود (improvement) سیاست
  • روش تکرار ارزش (value iteration) و تکرار سیاست (policy iteration)
• یادگیری تقویتی (reinforcement learning)
  • روش‌های مبتنی بر مدل (model-based)
  • یادگیری تفاضل زمانی (temporal difference) و الگوریتم Q-learning
• 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
• معرفی شبکه‌های بیزین (Bayesian Networks)
  • بازنمایی (representation) در شبکه‌های بیزین و استقلال (independency) در این شبکه‌ها
  • استنتاج در شبکه‌های بیزین: استنتاج دقیق و استنتاج تقریبی با استفاده از نمونه برداری
  • تخمین پارامترها در شبکه‌های بیزین
  • نمونه‌های معروف و کاربردی از شبکه‌های بیزین: مدل مارکوف، مدل مخفی مارکوف (Hidden Markov Model)، دسته‌بند بیز ساده (Naïve Bayes)
• مقدمه‌ای بر یادگیری ماشین (Machine Learning)
  • مدل‌های خطی (linear models)
  • شبکه‌های عصبی (Neural Networks)
• معرفی زمینه‌های کاربردی هوش مصنوعی
  • پردازش زبان طبیعی (Natural Language Processing)
  • بینایی ماشین (Computer Vision)
  • رباتیک (robotics)

• تمرین‌های نظری و عملی: ۶ نمره
• آزمون میان ترم: ۵ نمره
• آزمون پایان ترم: ۷ نمره
• آزمونک‌ها: ۲ نمره