Silna i słaba sztuczna inteligencja Przegląd klasycznych metod sztucznej inteligencji 3.1. Metody heurystyczne i metaheurystyczne 3.2. Sztuczne sieci neuronowe 3.3. Uczenie maszynowe 3.4. Przetwarzanie języka naturalnego 3.5. Algorytmy genetyczne i ewolucyjne 3.6. Algorytmy mrówkowe i inteligencja roju 3.7. Sztuczne życie 3.8. Sztuczna inteligencja w procesach wydobywania wiedzy z danych 3.9. Metody hybrydowe 3.10. Metody na pograniczu sztucznej inteligencji 3.11. Co dalej ze sztuczną inteligencją? Algorytmy genetyczne i ewolucyjne 4.1. Idea algorytmów genetycznych i ewolucyjnych 4.2. Klasyczny algorytm genetyczny 4.3. Operatory genetyczne 4.4. Przykłady operacji krzyżowania i mutacji 4.5. Przykłady wykorzystania algorytmu genetycznego 4.5.1. Szukanie ekstremum funkcji jednej zmiennej 4.5.2. Rozwiązanie problemu plecakowego 4.6. Strategie ewolucyjne 4.7. Eksploracja i eksploatacja 4.8. Porównanie metod selekcji 4.9. Metody skalowania funkcji dostosowania 4.10. Specjalne procedury reprodukcji 4.11. Programowanie genetyczne 4.12. Poszukiwanie ekstremum funkcji wielu zmiennych z dużą dokładnością . Algorytm mrówkowy 5.1. Główne różnice w zachowaniu „sztucznych mrówek” w porównaniu z rzeczywistymi 5.2. Podstawowe parametry wejściowe algorytmu mrówkowego 5.3. Wpływ ilości pozostawionego feromonu w punktach grafu 5.4. Wpływ liczby mrówek biorących udział w eksperymencie 5.5. Wpływ liczby punktów do wyboru przez mrówki 5.6. Wpływ metody wyboru kolejnego punktu grafu przez mrówkę 5.7. Stopień nasycenia feromonem poszczególnych punktów grafu po zakończeniu symulacji Sztuczne sieci neuronowe 6.1. Sieci neuronowe biologiczne 6.2. Budowa i działanie sztucznego neuronu 6.3. Funkcje aktywacji 6.4. Perceptron 6.5. Model neuronu sigmoidalnego 6.6. Dlaczego sieci neuronowe? 6.7. Topologie sieci neuronowych 6.7.1. Sieci jednokierunkowe 6.7.2. Algorytm wstecznej propagacji błędów 6.7.3. Sieci rekurencyjne 6.7.4. Sieci komórkowe samoorganizujące się 6.7.5. Sieci samoorganizujące z konkurencją 6.7.6. Wykorzystanie sieci samoorganizujących Uczenie maszynowe 7.1. Modele uczenia maszynowego 7.1.1. Uczenie nadzorowane (z nauczycielem) 7.1.2. Uczenie nienadzorowane (bez nauczyciela) 7.1.3. Uczenie ze wzmocnieniem 7.2. Głębokie uczenie się 7.3. Zautomatyzowane uczenie maszynowe (AutoML). Sztuczne życie 8.1. Definicja sztucznego życia 8.2. Model Lotki-Volterry 8.3. Autorski model pełzacze i bakterie 8.4. Symulacja choroby i leczenia organizmu Metody wykorzystujące zbiory rozmyte typu 1. 9.1. Podstawowe pojęcia teorii zbiorów rozmytych typu 1. 9.2. Operacje na zbiorach rozmytych 9.3. Relacje rozmyte 9.4. Przykłady zastosowań teorii zbiorów rozmytych 9.4.1. Rozmyta metoda Delphi 9.4.2. Rozmyta metoda PERT 9.5. Podejmowanie decyzji w otoczeniu rozmytym 9.5.1. Przydział dywidendy 9.5.2. Polityka zatrudnienia 9.6. Przybliżone wnioskowanie 9.6.1. Wnioskowanie w logice dwuwartościowej 9.6.2. Wnioskowanie w logice rozmytej 9.7. Sterowanie rozmyte Systemy ekspertowe. Metody wnioskowania 10.1. Definicja systemu ekspertowego 10.2. Ogólna budowa systemu ekspertowego 10.3. Drzewa decyzyjne 10.4. Metodologia wnioskowania 10.4.1. Wnioskowanie dedukcyjne a indukcyjne 10.4.2. Wnioskowanie dedukcyjne (udowodnienie celu) . 10.4.3. Wnioskowanie indukcyjne (od danych do celu) 10.4.4. Wnioskowanie mieszane Inteligentna analiza danych 11.1. Eksploracja danych 11.2. Analityczne przetwarzanie danych 11.3. Klasyczne metody eksploracji danych 11.4. Inteligentne metody eksploracji danych 11.5. Podstawowe własności analizy skupień 11.6. Metoda k-średnich (k-means) 11.7. Przykładowa aplikacja analizy danych metodą k-means Metody hybrydowe i koewolucyjne 12.1. Metody hybrydowe 12.1.1. Algorytmy ewolucyjne w projektowaniu sieci neuronowych 12.1.2. Algorytmy ewolucyjne w uczeniu wag sieci neuronowych 12.1.3. Algorytmy ewolucyjne do uczenia wag i określania architektury sieci neuronowych jednocześnie 12.1.4. Adaptacyjne rozmyte algorytmy ewolucyjne 12.1.5. Algorytmy ewolucyjne w projektowaniu systemów rozmytych 12.1.6. Dopasowanie funkcji przynależności za pomocą algorytmu genetycznego 12.2. Algorytmy koewolucyjne Przetwarzanie języka naturalnego 13.1. Języki naturalne i formalne 13.2. Historia rozwoju NLP 13.3. Poziomy analizy języka naturalnego 13.4. Analiza składniowa (syntaktyczna) 13.4.1. Gramatyki generatywne Chomsky’ego 13.5. Analiza semantyczna (znaczeniowa) 13.5.1. Podejście strukturalne do opisu semantyki 13.5.2. Symetryczna macierz współwystępowania słów 13.5.3. Reprezentacja wektorowa słowa (metody Word2vec i Doc2vec) 13.5.4. Podobieństwo cosinusowe wektorów słów 13.5.5. Modelowanie językowe BERT 13.6. Model GPT-3 13.7. Analiza sentymentu