מבוא לאינטליגנציה מלאכותית

מבוא לאינטליגנציה מלאכותית
Introduction to artificial intelligence
ד"ר בעז תמיר | מדע טכנולוגיה וחברה

מס הקורס | 278609-01

סוג הקורס: סמינריון
היקף נ"ז: 2
שנת לימודים: תשפ"ה
סמסטר: ב
יום ושעה יום א 14:00-16:00
שעת קבלה: יום א 16:00 – 17:00
מייל מרצה: canjlm@actcom.co.il

 

תקציר הקורס
הקורס פותח בהקדמה היסטורית ופילוסופית הכוללת דיון במיתוסים של בינה מלאכותית, בהגדרות
בסיסיות, באלגוריתמים ראשוניים של בינה מלאכותית מאמצע המאה העשרים, במבחן טיורינג ועוד.
משם יעבור הדיון לעיסוק בעמודי התווך של התורה המודרנית וביניהם: לימוד מכונה- Machine
learning, רשתות נוירונים, Reinforcement Learning, מודלים גראפיים ורשתות בייסיאניות,
ואלגוריתמים גנטיים. בכל אחד מהנושאים האלו יוצגו הרעיונות הבסיסיים, שיטות המחקר, הקשיים
והשאלות הפתוחות.

מטרות/תוצרי הלמידה
ידע
1. הלומדים יתארו את ההיסטוריה של הבינה המלאכותית ואת הרקע הרחב הבין תחומי עליו היא
מושתתת, יכירו מושגים בסיסיים של התחום ואת השפה של התחום
2. הלומדים יגדירו את המטרות העיקריות של התחום ואת הבעיות העיקריות העומדות בפני
החוקרים בתחום
3. הלומדים יכתבו רעיונות חדשים אותם ניתן להצרין בשפה של הבינה המלאכותית
מיומנויות
1. הלומדים ינתחו רעיון או מאמר ואו אפליקציה בתחום ואת הכלים שנעשה בהם שימוש
2. הלומדים יעריכו את הבעיות ביישום הרעיון ובדרכים לפתור אותן
ערכים
1. הלומדים יגבשו לעצמם עמדה בנוגע לאפשרויות ולמגבלות של הבינה המלאכותית
2. הלומדים יגבשו לעצמם עמדה בנוגע לעתידה של הבינה המלאכותית ובנוגע לכיווני מחקר
רצויים

 

מס' שיעורנושא השיעורלמידה פעילהקריאה/
נדרשת
מרשימת
רפרנס
1מבוא והיסטוריה של בינה מלאכותית, מבט על, מטרות וביקורת על הבינה המלאכותיתשיעור פרונטלי1, 16
2מכונת טיורינג, מבחן טיורינגשיעור פרונטלי2
3לימוד מכונה, הגדרות, דוגמאות: רגרסיה, קלאסיפיקציהשיעור פרונטלי3
4רשתות נוירונים: מבוא, הגדרות בסיסיות, אקטיבציה, משקל, סף, לימוד מונחה,
פונקצית הפסד		שיעור פרונטלי4, 15,16
5רשת שטוחה, פרספטרון, זיכרון אסוציאטיבישיעור פרונטלי5
6רשתות עמוקות, יתרונות וחסרונות של רשתות עמוקות, Back Propagation Annealingשיעור פרונטלי6, 15,16
7Recurrent neural network, מודלים של שפה, המבנה הכללי של ChatGPTשיעור פרונטלי7
8לימוד חיזוק - Reinforcement learning 
חיזוק - Reinforcement learning
הגדרות בסיסיות, פעולה, תמורה, מדיניות,
פונקציות מצב, תכנון דינמי		שיעור פרונטלי8 15,
9

לימוד חיזוק ללא מודל, Action value function, TD learning


 

שיעור פרונטלי9
10לימוד חיזוק עם מודל, Monte Carlo tree searchשיעור פרונטלי10
11רשתות גראפיות, מבוא: חוקי Bayesשיעור פרונטלי11,15
12

רשתות גראפיות:Random Markov fields  

שימושים לראייה ממוחשבת


 

שיעור פרונטלי12
13אלגוריתמים גנטיים, מבוא, הגדרות: שכפול, מוטציות, ריקומבינציות, פונקציית fitness שיעור פרונטלי13
14שימושים, לימוד תנועה, אופטימיזציה,  Gene expression programmingשיעור פרונטלי14

*ייתכנו שינויים בסילבוס בהתאם לקצב ההתקדמות ואפקטיביות הלמידה

 

 

תיאור התוצר

משקל בציון הסופי

עבודה מסכמת

% 100 מהציון הסופי


 

דרישות הקורס

 

  • מטלות – עבודת גמר

  • נוכחות -  80-85% נוכחות.
     

     דרישות קדם

    אין דרישות קדם

     

    ביבליוגרפיה:



     

    1. H.L.Dreyfus, Alchemy and Artificial Intelligence, The RAND Corporation, 1965, Part II, pp 18-65 

     

    2. J.R.Newman (1956) The world of Mathematics, Vol 4 Chapter 19, Mathematical machines: A.Turing, Can a machine think, Simon & Schuster, N.Y, Vol 4 Chapter 19, pp 2099-2123

     

    3. S.Shalev-Shwartz, S.Ben-David, Understanding Machine Learning, from theory to Algorithms, Cambridge University Press, 2014

     

    4. P.McLeod, K.Plunkett, E.T.Rolls, Introduction to Connectionist Modelling of Cognitive Processes, Oxford Univ. Press, 1998, Chapter 1, pp 8-30

     

    5. P.McLeod, K.Plunkett, E.T.Rolls, Introduction to Connectionist Modelling of Cognitive Processes, Oxford Univ. Press, 1998, Chapter 3, pp 51-72

     

    6. P.McLeod, K.Plunkett, E.T.Rolls, Introduction to Connectionist Modelling of Cognitive Processes, Oxford Univ. Press, 1998, Chapter 5, 96-127

     

    7. P.McLeod, K.Plunkett, E.T.Rolls, Introduction to Connectionist Modelling of Cognitive Processes, Oxford Univ. Press, 1998, Chapter 7, 139-155

     

    8. R.Sutton, A.G.Barto, Reinforcement Learning, a Bradford Book, 1998, Introduction, pp 3-26

     

    9. R.Sutton, A.G.Barto, Reinforcement Learning, a Bradford Book, 1998, Chapter 3, pp 51-89 

     

    10. R.Sutton, A.G.Barto, Reinforcement Learning, a Bradford Book, 1998, Chapter 5, pp 111-133

     

    11. C.M.Bishop, Model-based machine learning, Phil. Trans. R. Soc. A, 2013, 371

     

    12. G.Winkler, Image Analysis, Random Fields and Dynamic Monte Carlo Methods, Springer, 2003, Part 1, pp 13-65

     

    13. J.Holland, Adaptation in Natural and Artificial Systems, MIT Press, 1992, The General Setting, pp 1-20

     

    14. C.Ferreira, Gene Expression Programming: A new adaptive algorithm for solving problems, Complex Systems, vol 13, 2001

     

    15. S.J.Russell and P.Norvif, Artificial intelligence, a modern approach, Prentice Hall, 1995

     

    16. ב. תמיר, בינה מלאכותית, עקרונות יסוד, הוצאה רסלינג 2024