The Basics of Artificial Intelligence
B.Sc course, Department of Data Science and Visualization, Faculty of Informatics, University of Debrecen, 2024
Artificial Intelligence (AI) has a rich history deeply rooted in scientific exploration and discovery. Beginning with its conceptualization in the mid-20th century, AI has evolved alongside advancements in computing power and cognitive science, shaping a diverse landscape of theories and applications.
======
Email address of the Teacher
Konzultációk
- Monday / Hétfő - 14:00 - 15:30 - IK 107 (in the classroom / teremben)
- Monday / Hétfő - 15:30 - 16:00 - IK I128 (in the office / irodában)
- Monday / Hétfő - 16:00 - 17:30 - IK 204 (in the classroom / teremben)
- Monday / Hétfő - 17:30 - 18:00 - IK I128 (in the office / irodában)
Monday / Hétfő - 18:00 - 19:30 - IK 204 (in the classroom / teremben)
- Tuesday / Kedd - 14:00 - 15:30 - IK 132 (in the classroom / teremben)
- Tuesday / Kedd - 15:30 - 16:00 - IK I128 (in the office / irodában)
- Tuesday / Kedd - 16:00 - 17:30 - IK TEOKJ II. em. 109 (in the classroom / teremben)
- Tuesday / Kedd - 17:30 - 18:00 - IK I128 (in the office / irodában)
- Tuesday / Kedd - 18:00 - 19:30 - IK TEOKJ II. em. 106 (in the classroom / teremben)
Attendance sheet
Attendance sheet status
Követelmények
Elő vizsga Feladat típusok
- A vizsgán maximum 10-pont szerezhető:
- Időpontok:
- Konzultáció: Az oktatói fogadóórákon.
- Legfeljebb 3 hiányzás megengedett.
- Az utolsó gyakorlat során zárthelyi dolgozat formájában. A ZH-n szerzett pontok 0.4-es súllyal kerülnek beszámításra a végső érdemjegybe.
Kérdés típusok:
- Szimbolikus MI:
- Kész allapottér reprezentáció alapján implementáció kiegészítése: Operator hatásdefinició implementálása.
- Állapottér definició: Fel kell írni egy tetszőleges porbléma állapotterének jellemzőit valamint kezdő és célállapotát.
- Gráf/fa alapú keresési algoritmus: Trial error, hegymászó, mélységi, szélleségi, min-max
- Automatizált következtetési algorimtus: Backtraking
- Gépi és Mélytanulás:
- Felügyelt tanulás: Egy egyszerű adathalmazra kell felépíteni egy Bayes, Regresziós vagy NN modellt.
- Nem-felügyelt tanulás: Egy egyszerű adathalmazra kell felépíteni egy klaszterező modellt.
- Megerősítéses tanulás: Q fgv vagy tábla formálisan meg van adva és azt kell implementálni (learn és act függvények implementálása)
Labor
Szimbolikus MI
- I. Állapottér reprezentáció, Problem és Node osztály implelemtálása
- II. Informált és Nem Informált algoritmusok
- II. Hands-on
- III. Nem Informált gráf keresők
- IV. Informált gráf keresők