Courses – Fakultet tehničkih nauka u Novom Sadu

Subject: (22.EAI066)

Type of studies	Title
Master Academic Studies	Artificial Intelligence and Machine Learning (Year: 2, Semester: Winter)

General information:

Category	Theoretical-methodological
Scientific or art field	Mehatronika, robotika i automatizacija i integrisani sistemi
ECTS	6

Cilj predmeta je upoznavanje studenata sa osnovnim teorijskim konceptima i idejama iz različitih oblasti i disciplina, poput kognitivne psihologije, računarske lingvistike i veštačke inteligencije, koje su od značaja za izrazito multidisciplinarnu oblast kao što je kognitivna robotika. Ovo uključuje bazično upoznavanje sa izabranim uvidima iz kognitivnih neuronauka koji su poslužili kao inspiracija za razvoj računarskih kognitivno inspirisanih modela, upoznavanje sa različitim metodološkim pristupima kognitivnom modelovanju i konačno upoznavanje sa brojnim konkretnim algoritmima i računarskim modelima viših kognitivnih procesa poput: memorije, pažnje, učenja, odlučivanja i jezika i njihovim konkretnim realizacijama u pojedinim robotskim sistemima. Dodatni cilj je osposobljavanje studenata za praćenje savremene literature iz oblasti kognitivne robotike i uvođenje u samostalani naučno-istraživački rad.

Studenti su osposobljeni za teorijsko razumevanje i analizu savremenih kognitivno inspirisanih tehničkih sistema i modela implementiranih u različitim servisnim i humanoidnim robotima, koji ispoljavaju određeni stepen inteligentnog ponašanja i pokrivaju različite aspekte kognitivnog sistema. Studenti su takođe osposobljeni za samostalno modelovanje i računarsku implementaciju različitih algoritama koji pokrivaju široki spektar kognitivnih funckionalnosti, značajnih za funkcionisanje robota u nestruturiranom okruženju i ostvarivanje prirodne i fleksibilne interakcije čoveka i robota, uključujući razumevanje prirodnog govora, odlučivanje u neizvesnim okruženjima, učenje iz interakcije, ... Tokom kursa, studenti su stekli znanja za implementaciju izabranih algoritama u nekom od programskih paketa poput MATLAB-a ili u programskom jeziku Python.

1) Uvod – Definicija osnovnih pojmova; Odabrani uvidi iz kognitivnih neuronauka (struktura i funkcionalnosti ljudskog kognitivnog sistema); Odabrane teme iz filozofije veštačke inteligencije (Slaba i jaka veštačka inteligencija, Tjuringov test, Metafora mozga kao računara, Eliza, Argument kineske sobe, ...); Tipovi veštačkih kognitivnih agenata i okruženja; Simbolički i statistički metodološki pristup kognitivnom modelovanju; Osnovi teorije verovatnoće i teorije grafova. 2) Kognitivne arhitekture – Klasifikacija kognitivnih arhitektura; Kriterijumi za evaluaciju i poređenje kognitivnih arhitektura; Primeri postojećih kognitivnih arhitektura. 3) Jezik i percepcija– Poreklo, funkcija i struktura jezika; Verbalna interakcija; Statistički pristupi u modelovanju jezika (skriveni Markovljevi modeli i N-grami); Definisanje osnovnih elemenata obrade prirodnog jezika pri interakciju između čoveka i mašine; Upravljanje dijalogom; Kontekstno-nezavisne gramatike; Razumevanje prirodnog govora (Reprezentacija znanja, kontekstno-zavisna obrada dijaloških činova); Izvlačenje informacija iz teksta (pretrage dokumenata, kontekstno-zavisno predviđanje upita, klasifikacija teksta i prepoznavanje domena dijaloga). Tehnike za ekstrakciju relevantnih obeležja iz različitih tipova diskretnih signala (audio, video, taktilni itd.). 3) Memorija i razumevanje – Uvidi iz kognitivnih neuronauka (struktura i funkcionalnosti memorije, odnos dugotrajne i radne memorije i mehanizma pažnje); Kognitivno inspirisani pristup modelovanju memorije robota; Skladištenje informacija i reprezentacija znanja; Kontekstno-zavisno izvlačenje informacija iz memorije (tipovi stimulansa, aktivacija memorije i prioritizacija sadržaja); Kontekstno zavisna interpretacija stimulansa (razumevanje); Primeri računarskih modela semantičke, epizodne i radne memorije u robotici. 4) Zaključivanje, odlučivanje i planiranje akcija –Predstavljanje znanja i zaključivanje u prisustvu neizvesnosti (Bajesove mreže); Probabilističko zaključivanje u vremenu (Dinamičke Bajesove mreže, Skriveni Markovljevi modeli, Kalmanov filter); Osnovi teorije odlučivanja; Markovljev proces odlučivanja (Dinamičko programiranje, Belmanova jednačina), Delimično opservabilni Markovljev proces odlučivanja. 5) Učenje – Uvidi iz neurokognitivnih nauka i bihejviorističke psihologije (asocijativno učenje – klasično i instrumentalno uslovljavanje); Učenje sa podsticajem (Reinforcement Learning); Učenje na osnovu vremenskih razlika (Temporal Difference Learning).

Oblici izvođenja nastave su: predavanja, praktičan rad na računarima, izrada projekta, i konsultacije. Na predavanjima se izlažu sadržaji predmeta i stimuliše se aktivno učešće studenata, dok se na vežbama implementiraju praktični primeri iz oblasti kognitivne robotike. Praktični deo studenti savladavaju radom na računaru.

Authors	Title	Year	Publisher	Language
S. Russell, P. Norvig	Artificial Intelligence: A Modern Approach	2010	Pearson Education	English
Norman, K. A., Detre, G., & Polyn, S. M	Computational models of episodic memory. In R. Sun (Ed.), The Cambridge handbook of computational psychology	2010	Cambridge University Press	English
R. S. Sutton, A. G. Barto	Reinforcement Learning – An Introduction	2017	MIT Press	English
D. Vernon, C. von Hofsten, L. Fadiga	A Roadmap for Cognitive Development in Humanoid Robots	2010	Springer-Verlag	English
M. N. Jones, J. Willits, S. Dennis	Models of Semantic Memory	2015	Oxford University Press	English
D. Jurafsky, J. H. Martin	Speech and Language Processing	2009	Pearson Education	English