TU Delft
Jaar
Druk deze pagina af Druk deze pagina af     
NEDERLANDSENGLISH
Organisatie
2015/2016 Elektrotechniek, Wiskunde en Informatica Bachelor Technische Informatica
TI2736-A
Computational Intelligence
ECTS: 5
Verantwoordelijk Docent
Naam E-mail
Dr. J.A. Redi    J.A.Redi@tudelft.nl
Docent
Naam E-mail
Dr.ir. D.J. Broekens    D.J.Broekens@tudelft.nl
Contacturen / week x/x/x/x
4/0/0/0 hc; 4/0/0/0 wc
Onderwijsperiode
1
Start onderwijs
1
Tentamenperiode
1
2
Cursustaal
Nederlands
Engels
Voorkennis
Analyse
Kansrekening en statistiek
Vakinhoud
Dit vak geeft een introductie in een aantal technieken uit de kunstmatige intelligentie gericht op zelflerende en zelforganiserende systemen en omgaan met onzekerheid. We beginnen met de vraag 'wat is (kunstmatige) intelligentie?' en beantwoorden deze vraag vervolgens aan hand van verschillende technieken die onder de noemer computational ntelligence vallen. Dit zijn vooral numerieke technieken zoals:
• Bayesiaanse netwerken, systemen die kansmodellen bijhouden om te voorspellen of je op basis van een observaties kan besluiten dat iets wel of niet waar is, bijvoorbeeld: voorspellen of iemand een T-shirt steelt afhankelijk van geobserveerde gedragsfactoren in de winkel.
• Neurale netwerken, leren automatisch aan hand van voorbeelden en kunnen overweg met fouten in de invoer en met invoer die zij niet eerder hebben gezien.
• Evolutionaire Systemen, evolutietheorie geeft ons een algoritme dat oplossingen kan vinden in complexe, veranderende omgevingen.
• Swarm intelligence: mieren, bijen en vogels dienen als inspiratie voor systemen die complexe problemen met eenvoudige regels kunnen oplossen.
.
Leerdoelen
Na afloop van het vak moet een student:
• Computational Intelligence als vakgebied kunnen plaatsen binnen de Kunstmatige Intelligentie.
• kunnen bepalen welke in het vak behandelde kunstmatige intelligentie techniek het meest van toepassing is voor een gegeven probleem.
• kunnen uitleggen wat probleemruimte, fitness, en state sampling is.
• aan hand van een beschrijving van een probleem een Bayesiaans netwerk kunnen ontwerpen.
• kunnen uitleggen hoe een kunstmatig neuraal netwerk werkt en wanneer dit ingezet kan worden.
• een evolutionary algorithm voor een gegeven probleem kunnen opstellen en toepassen: keuze kunnen maken tussen genetic algorithms, evolutionary strategies en genetic programming als oplossingsmethode. de chromosomen, fitnessfunctie, selectiemechanisme en operatoren kunnen definiλren. genetische algoritme voor een eenvoudig probleem kunnen doorrekenen.
• voor een gegeven probleem een oplossing die gebruik maakt van particle swarm optimization kunnen opstellen en toepassen:
• ant-based clustering voor eenvoudige gevallen kunnen doorrekenen.
Onderwijsvorm
Hoorcolleges
Literatuur en studiemateriaal
Voor dit vak wordt het boek `Artificial intelligence - A guide to intelligent systems, third edition' van Michael Negnevitsky gebruikt.

Verder wordt voor Reinforcement Learning het book van Sutton en Barto gebruikt (online), deel I (hoofdtsuk 1-3) (http://webdocs.cs.ualberta.ca/~sutton/book/ebook/the-book.html), alsmede de sheets.

Een reader wordt eventueel in pdf vorm beschikbaar gesteld. In dit geval behoort ook de reader tot het studiemateriaal.
Boeken
Voor dit vak wordt het boek `Artificial intelligence - A guide to intelligent systems, third edition' van Michael Negnevitsky gebruikt.
Dictaat / Reader
Verder wordt voor Reinforcement Learning het book van Sutton en Barto gebruikt (online), deel I (hoofdtsuk 1-3) (http://webdocs.cs.ualberta.ca/~sutton/book/ebook/the-book.html), alsmede de sheets.

Een reader wordt eventueel in pdf vorm beschikbaar gesteld. In dit geval behoort ook de reader tot het studiemateriaal.
Wijze van toetsen
Schriftelijk tentamen en groepsopdrachten.
Toegestane middelen bij tentamen
Rekenmachine, pen en papier.
Beoordeling
Schriftelijk tentamen (70%)en groepsopdrachten (30%).
Opdrachten en tentamen zijn beiden deelresultaten, en zullen dus NIET apart gelden het volgende studiejaar. Alleen het eindcijfer blijft staan.
Er kunnen in totaal 9 punten verdiend worden. De opdrachten gelden voor 30% van het cijfer. Het tentamen voor 70% van het cijfer. Het eindcijfer is dus het gewogen gemiddelde van tentamen en opdrachten (practicum) met weging 70/30 voor een totaal van 9 punten (wat met de 1 die je altijd al hebt dus maximaal een 10 geeft).

Het schriftelijk tentamen kan 1 maal herkanst worden in hetzelfde studiejaar. Datum daarvoor wordt bekend gemaakt. Het practicum kan in principe NIET herkanst worden, omdat het feit dat de opdrachten in groepen gemaakt worden dit organisatorisch erg lastig maakt. Zorg dus dat je in ieder geval je punten pakt op de opdrachten! Mocht er toch een dringende noodzaak zijn tot herkansing van het practicum, dan *kan* in uitzonderlijke gevallen (als zodanig beoordeeld door de onderwijsdirecteur TI) op individuele basis een regeling getroffen worden alle practicum opdrachten eenmalig(!) in te leveren op een later tijdstip. Let wel, dit betekent een hoop werk, omdat je dan dus mogelijk alleen de opdrachten moet doen (als de rest van je practicumgroep namelijk niet wil herkansen).
Co-docent
Naam E-mail
Dr.ir. D.J. Broekens    D.J.Broekens@tudelft.nl