Stranice predmeta

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).