Sztuczna Inteligencja [0800-SZIN]

Uprzejmie informuję, że w semestrze letnim 2026 roku prowadzę przez jeden semestr (30 godzin +24 godz laboratoria) wykład kursowy "Sztuczna Inteligencja", kod [0800-SZIN]. Wykłady odbywają się we wtorki, godz. 16:00-18:00, w sali B.2.30 Instytutu Fizyki UMK.
Z powodu licznych konferencji związanych z AI kilka wykładów zrobimy być może w innym terminie lub zdalnie na moim TEAMS. Proszę śledzić emaile wysyłane przez USOS. Jeśli są osoby, które nie są wpisane do USOS proszę mi podesłać informację. Zajęcia mają aż 6 punktów ECTS. W tym roku musimy radykalnie przeorganizować nasze zajęcia. Wstępne informacje o symbolicznym podejściu do AI (GOFAI) zostaną skrócone, spróbujemy znacznie więcej omawiać ostatnich doniesień. Zbieram nowości na moim Filpboard w kilku kategoriach, niektóre będę omawiał na wykładzie.

Wykładom towarzyszy pracownia komputerowa (24 godziny), prowadzona przez prof. Oleksandar Sokolova (czwartek, 10-12 i 14-16) i przez prof. Tomasza Piotrowskiego (poniedziałek, 10-12) z Katedry Informatyki Stosowanej.
Informacje z USOS są tutaj. Jeśli będzie taka potrzeba możemy też założyć forum dyskusyjne w Moodle.

Egzamin będzie w formie pisemnej, na końcu wielu wykładów są przykładowe ogólne pytania, na egzaminie mogą być bardziej szczegółowe. Bez szczegółowego przestudiowania notatek nie ma szans, by ten egzamin zdać. Przekonują się o tym co roku kolejni studenci. Ponieważ egzamin będzie pisemny (mieszanie ustnych i pisemnych egzaminów nie pozwala na ich standaryzację), nie ma możliwości zdawania w innym terminie, ani przekładania, ani też zdawania po raz trzeci czy czwarty, aż do skutku. Przygotowanie i przeprowadzenie egzaminu zajmuje mi czas, a mam go bardzo mało. Nie będzie więc żadnych dodatkowych terminów! Nie będzie więc żadnych dodatkowych terminów!
Jeśli ktoś nie może zdawać w pierwszym terminie, pozostaje egzamin poprawkowy.

Termin egzaminu: ??.6.2026, g. 10:00, w sali B.2.30.
Wyniki z pierwszego terminu egzaminu w poprzednim roku nie były dobre ... niestety część osób nie brała udziału w zajęciach i liczyła na to, że szybko coś skopiuje w Internetu. W efekcie systemy produkcyjne w AI pomyliły im się z produkcją z podręcznika ekonomii.

Egzamin poprawkowy odbędzie się ??.09.2026 o godz. 10:00 w Sali B.2.30 .

Wyniki: (%punktów,ocena) = (90-100;5), (80-90;4+), (70-80;4), (60-70,3+), (50-60;3), (< 50;2).

Sztuczna inteligencja - szkic całości

Infografika o sztucznej i naturalnej inteligencji.
Stare slajdy z ubiegłego roku.

A. GOFAI: Symboliczna sztuczna inteligencja

A1. Wprowadzenie do zagadnień AI | A2. Rozwiązywanie problemów | A3. Hurystyki, ludzkie myślenie, teoria systemów opartych na wiedzy | A4. Reprezentacja wiedzy i wnioskowanie | A5. Systemy wspomagające decyzje | A6. Wielkie projekty GOFAI: CyC, SOAR, architektury kognitywne.

B. Predykcyjna AI: uczenie maszynowe

B7. Niesymboliczne dane w systemach AI B8. Uczenie maszynowe (machine learning) | B9. Uczenie nienadozorowane | B10. Ucznenie strategii, RF | B11. Uczenie głębokie | B12. Narzędzia predykcyjnej sztucznej inteligencji |

C. Generatywna AI: uczenie maszynowe

C13. Język naturalny, próby w ramach NLP| C14. Transformery i duże modele językowe/multimodalne | C15. Modele dyfuzyjne, wieloagentowe, nowe algorytmy uczenia dużych modeli językowych. C16. HCI, interakcja człowiek-maszyna | Globalne wyzwania i AI.

Notatki są w PDF i w 2026 roku będą zmieniane w czasie trwania wykładu. Sytuacja zupełnie się zmieniła, w czasie semestru zmienię całą strukturę i dodam kolejne wykłady.

Portale i nowości: Rządowy portal SI | Sztuczna Inteligencja - nowości (OPI) | Raporty State of AI | Historia AI | Dokąd zmierza inteligencja obliczeniowa? |

Polecam też nowości o AI/ML na mojej stronie Flipboard.

• 1.1 Definicje AI.
• 1.2 Historia - skąd się to wzięło?
• 1.3 Status AI jako gałęzi nauki.
• 1.4 Kluczowe odkrycia (milestones), porażki i sukcesy.
• 1.5 Organizacje i literatura AI.

• 2.1 Rozwiązywanie problemów, skojarzenia i rozumowanie.
• 2.2 Reprezentacja problemu w przestrzeni stanów i reprezentacja redukcyjna.
• 2.3 Wiedza heurystyczna.
• 2.4 Przykłady: przesuwanki, gry planszowe, zagadki logiczne, optymalizacja.
• 2.5 Szukanie a ludzkie myślenie - Systemy Oparte na Wiedzy.

Aplety demonstrujące szukanie, planowanie itd | Smart Moves: Intelligent Path Finding (Bryan Stout, Game Developer Magazine). PathFinding Visualizer na github..

Nagranie, 3.03.2022.

• 3.1 Szukanie na ślepo, w głąb, ograniczona głębokość, iteracyjne pogłębianie IDDF, szukanie wszerz, dwukierunkowe BDS.

  Infografika | Więcej slajdów | Szukanie w ciemno, wideo.

• 3.2 Szukanie heurystyczne I, podstawowe metody. Ocena procesów szukania, funkcja heurystyczna, szukanie zachłanne, UCS, programowanie dynamiczne, szukanie A*, IDA*.

  Infografika | Więcej slajdów | Szukanie heurystyczne, wideo.

• 3.3 Szukanie heurystyczne II, metody globalne i z ograniczeniami. Branch and Bound, algorytm Dijkstry, algorytmy minimalizacyjne, Monte Carlo, symulowane wyżarzanie, algorytmy genetyczne.

  Infografika | Więcej slajdów

Przesuwanka 15-tka
PathFinding visualization

• 4. Rozwiązywanie problemów: algorytmy przeszukiwania i optymalizacji. Reprezentacja problemu w przestrzeni stanów; reprezentacja redukcyjna; metody szukania; szukanie heurystyczne, przykłady programów opartych na szukaniu; szukanie a ludzkie myślenie.
• 4.1 Przykłady klasyczne: Teoretyk logiki. GPS, General Problem Solver, Geometra.
• 4.2 Gry z oponentem, podstawowe metody: strategia min-maxu, funkcje oceny heurystycznej, obcinanie alfa-beta, gry niedeterministyczne. Szukanie w grach: warcaby, szachy, myślenie: warcaby, inne gry, szachy, Go, pamięć i porcjowanie w szachach,
• 4.3 Złudzenia poznawcze, paradoksy myślenia, schematy myślenia, paradoks Monty Hall i inne.

  Infografika | Więcej slajdów

  Wykład 4.3, nagranie.

Linki zewnętrzne: DARPA Urban Challenge, 3.11.2007 | Szachy z ciekawą wizualizacją

• B01 Podstawy rachunku prawdopodobieństwa, tw. Bayesa i jego zastosowania .

  Dane w systemach AI: akwizycja, oczyszczanie, niepewność, rozkłady probabilistyczne, tw. Bayesa, rozpoznawanie wzorców i miary poprawności, reprezentacje wektorowe – Word2Vec, Glove, mechanizm uwagi.

• B02 Reprezentacja wiedzy i wnioskowanie:
• 5.1 Rodzaje wiedzy - wstęp ogólny, rodzaje wiedzy, logika klasyczna, logika pierwszego rzędu. reprezentacja symboliczna, logika predykatów, logika rozmyta i przybliżona; systemy regułowe; reprezentacja proceduralna.
• 5.2 Logika rozmyta: funkcje przynależności, Logika przybliżona.
  Wykład 5.2, nagranie.

• 6. Sieci semantyczne i grafy wiedzy, systemy ekspertowe i agenci
• 6.1 Sieci semantyczne: zapis wiedzy i rozumowanie, sieci i mózgi, wymyślanie słów i kreatywność. Sieci rozchodzących się aktywacji, sieci semantyczne i grafy wiedzy. 6.2 Systemy produkcyjne, ramy, skrypty, mapy argumentów
• 6.3 Agenci GOFAI, nagranie wykładu 6.2 i 6.3., 10.04.2026.

• 7. Systemy wspomagające podejmowanie decyzji: akwizycja wiedzy; od zrobotyzowanej automatyzacji procesów po systemy kognitywne, konstrukcja systemów doradczych; przykłady zastosowań, wielkie systemy symboliczne, CYC, SOAR i Watson.
• 7.1 Systemy ekspertowe: teoria, przykłady.
• 7.2 Największe systemy GOFAI: IBM Watson, SOAR, CyC.
• 7.3 Architektury kognitywne

Zunifikowane teorie poznania. Architektura poznawcza człowieka;
Projekty SOAR, Cog

Nagrałem dwa wykłady, sprawdźcie też slajdy bo są nieco nowsze. Systemy ekspertowe są nadal ważne, mają liczne zastosowania, obecnie współpracują z dużymi modelami językowymi weryfikując ich skojarzenia i prowadząc rozumowanie na poziomie symbolicznym. Nie są łatwo dostępne i nie można ich używać tak łatwo jak generatywnej AI.
Nagrania wideo wykładów: 7.1 oraz 7.2.