هوش مصنوعی پیشرفته

Advanced Artificial Intelligence

شماره درس: ۴۰۹۵۷.۱ تعداد واحد: ۳
مقطع: کارشناسی ارشد نوع درس: نظری
پیش‌نیاز: – هم‌نیاز: –

اهداف درس

هدف از این درس تکمیل دانش ارایه شده در درس هوش مصنوعی دوره کارشناسی در حوزه هوش مصنوعی کلاسیک و مبتنی بر دیدگاه‌های تحلیلی برگرفته از نظریه‌های منطقی است. تاکید اصلی در این درس به ترتیب بر سه زمینه نمایش دانش (Knowledge Representation)، روش‌های خودکارسازی استدلال (Automated Reasoning) و برنامه‌سازی مقیدات (Constraint Programming) خواهد بود. در این راستا مجموعه‌ای از نظام‌های منطقی (مانند منطق مرتبه اول استاندارد، منطقهای موجه و زمانی، منطق باور، منطق احتمالاتی و …) هم از دیدگاه دلالت شناختی و هم از دیدگاه نظام استدلالی ارایه و روش‌های موجود در خودکارسازی استدلال در چنین منطق‌هایی ارایه و حتی‌المقدور زبان‌های برنامه نویسی یا ابزارهای مناسب این حوزه معرفی خواهند شد. همچنین به تناسب موضوعات، تاریخچه و برخی مسایل فلسفی مورد نیاز در فهم بهتر دلایل چنین تنوع بالایی در نظام‌های منطقی و استدلالی در هوش مصنوعی و همچنین برخی حوزه‌های کاربردی این مباحث مانند سیستم‌های پرسش و پاسخ خودکار یا سیستم‌های اثباتگر برنامه‌ها معرفی خواهند شد.

ریز مواد

  1. مقدمه
    • آشنایی با مفاهیم اصلی شامل مساله نمایش دانش و اهمیت و مشکلات آن، روش‌های استدلال و اهمیت خودکارسازی آن
    • تاریخچه و برخی دیدگاه‌ها و مسایل فلسفی مرتبط
    • مروری بر منطق گزاره‌ها، نظام استدلالی آن، مساله ارضاپذیری و حل کننده‌های آن (SAT Solvers)
  2. نمایش دانش و استدلال در منطق مرتبه اول (First-Order Logic - FOL)
    • نحو و دلالت شناسی منطق مرتبه اول
    • نظام استنتاج طبیعی، صحت و تمامیت منطق مرتبه اول
    • سیستمهای اثبات خودکار قضایا
    • استدلال مبتنی بر رزولوشن (Resolution)
    • استدلال مبتنی بر فرازهای هورن (Horn Clauses)
    • کنترل رویه‌ای در استدلال، سیستم‌های مبتنی بر قاعده و برنامه‌سازی منطقی
  3. روش‌های ساخت‌یافته و شی‌گرای نمایش دانش، منطق‌های توصیف (Description Logics)
    • اشیا و قاب‌ها
    • وابستگی‌های مفهومی، وراثت
    • گراف‌‌های مفهومی
    • منطق‌های توصیف
    • روش‌های استدلال مبتنی بر تابلو
    • مقدمه‌ای بر برنامه‌سازی بر محدودیت‌ها
  4. استدلال ناهمگن (Nonmonotonic Reasoning)
    • منطق پیش فرض (Default Logic)
    • منطق خودشناختی (Autoepistemic Logic)
  5. استدلال در حضور ابهام، عدم قطعیت و درجه‌بندی باور
    • منطق‌های باور (Belief Logics) و استدلال در آن‌ها
    • منطق احتمالاتی (Probabilistic Logic)
    • مدل‌های کیفی (Qualitative Models) و شبکه‌های بیز
    • منطق فازی (Fuzzy Logic)
  6. نمایش دانش و استدلال در دامنه‌های معنایی خاص
    • منطق‌های وجهی (Modal Logics)
    • منطق‌های زمانی (Temporal Logics)
    • منطق‌های فضایی (Spatial Logics)
    • منطق‌های مبتنی بر کردار (Action-Based Logics)
  7. برخی کاربردها در حوزه‌های مرتبط مانند سیستم‌های چندعاملی و سیستم‌های پرسش و پاسخ
  8. مروری بر رابطه متقابل منطق و نمایش دانش با نظریه بازی در مدل‌‌سازی و تحلیل سیستم‌های چندعاملی

ارزیابی

  • آزمون‌ میان‌ ترم (۵ نمره)
  • آزمون‌ پایان‌ ترم (۶ نمره)
  • تمرین (۲ نمره)
  • پروژه (پیاده سازی مبتنی بر زبان برنامه سازی یا ابزار) (۳ نمره)
  • مقاله‌ پژوهشی‌ و ارایه آن (۴ نمره)

مراجع

  1. R. J. Brachman and Hector J. Levesque (eds.), Knowledge Representation and Reasoning, Morgan Kaufman, 2004.
  2. F. van Harmelen, V. Lifschitz, B. Porter (eds.), Handbook of Knowledge Representation, Elsevier, 2008.