Sub-symbolske AI-metoder

Emnet skal foreleses hvert år. Det er samme faget som IT3708 (Subsymbolsk AI) men for PhD studenter. Filosofien bak faget er at for å lage kunstig intelligente systemer, må man ha en forståelse for hjernen og hvordan den har utviklet seg gjennom evolusjon. Selv om vi ikke har komplette biologiske forklaringer ennå har vi datametoder som er abstrakte modeller av hjernen og evolusjon, og disse metodene spiller en viktig rolle i dagens AI-forskning. I tillegg brukes de på tusenvis av andre praktiske problemer - alt fra bildekomprimering til kretsdesign og laging av musikk og kunst.

Emnet dekker flere komputasjonelle metoder med grunnlag i biologi, med hovedfokus på nevrale nett og evolusjonære algoritmer. Nettyper som dekkes inkluderer standard "feed-forward"-nett med "back-propagation"-læring. Hopfield-nett med Hebbiansk læring, og selvorganiserende Kohonen-nett. Evolusjonære algoritmer av hovedinteresse er genetisk algoritmer (GA) og genetiske programmer (GP). Underveis dekker vi noen prinsipper og metoder fra fagfeltet kunstig liv (artificial life), f.eks. emergens, kaos, kompleksitet, sverm-intelligens, celle-automater, osv. Faget omhandler også en del av det biologiske grunnlaget for de fleste metodene.

Studentene skal få både en teoretisk basis og praktisk programmeringserfaring med to av de meste kjente sub-symboliske AI-metodene: kunstig nevrale nett og evolusjonære algoritmer.

Forelesninger i plenum, øvinger/prosjekter og hjemmeoppgave. Mappevurdering gir grunnlag for sluttkarakter i emnet. I mappen inngår hjemmeeksamen (50%) og arbeider (50%). Resultatet for delene angis i %-poeng, mens sensur for hele mappen (sluttkarakteren) angis med bokstavkarakter.

Øvinger i faget pleier å være stor programmerings-orienterte
jobb som tar 2-4 uker. Til sammen blir det 4-5 slike oppgaver. Gruppearbeid på øvinger er vanligvis ok, med
grupper av 2 studenter, ikke flere. Hjemme-eksamen må
skrives alene av hver enkelt student.