INC 551 Artificial Intelligence

งานนำเสนอเรื่อง: "INC 551 Artificial Intelligence"— ใบสำเนางานนำเสนอ:

1 INC 551 Artificial Intelligence
อาจารย์ผู้สอน ผศ.ดร. พจน์ ตั้งงามจิตต์

2 About the Instructor Office: CB40603 (CB4 ชั้น 6) Tel: x-9094
ลักษณะการ lecture: น.ศ. ต้องจด lecture ตามที่ผมพูดด้วยตัวเอง

3 รายละเอียดวิชา Prerequisites 3 หน่วยกิต ระดับปริญญาโท
Lecture 3 ชั่วโมงต่อสัปดาห์ ทบทวน และทำการบ้าน 6-12 ชั่วโมงต่อสัปดาห์ Prerequisites Computer Programming Skill C/C++ Basic Logic Basic Probability

4 การให้คะแนนและตัดเกรด
สัดส่วนของคะแนน 4 Assignments 40% Discussion 20% Exam 40% เกรด ตามประสิทธิภาพของนักศึกษา

5 Discussion Score Peer Scoring System Your votes are secret.
50% - You are voted by your friends. 50% - Your vote correspond to the instructor.

6 Assignments นักศึกษาต้องใช้เวลาในการทบทวนเนื้อหาและแสดงความเข้าใจออกมาในรูป Program ขอให้มีการแบ่งและเผื่อเวลาให้ดี Policy ของการลอกกัน Program codes ของนักศึกษาแต่ละคนจะถูก check ด้วย โปรแกรมตรวจสอบความเหมือนกันของ source code (INC senior Project 2549 โดย อรรถศักดิ์ ลภาไพโรจน์) ถ้าพบการลอกกันแม้แต่บางส่วนใน assignment ใดๆก็ตามจะ ถือว่าทุจริตและให้เกรด F ทั้งคู่โดยไม่มีข้อยกเว้น

7 Late Policy นักศึกษาจะต้องส่ง assignment ทั้ง 4 ตามกำหนดส่ง
ในกรณีที่ส่งสาย จะถูกตัดคะแนนวันละ 2% ของคะแนนเต็ม

8 More on Assignments Assignments should be implemented in
Microsoft Visual Studio 2008

9 Textbooks Artificial Intelligence: A Modern Approach (Second Edition)
by Stuart Russell and Peter Norvig Prentice Hall

10 Topics Lecture 1: Introduction to AI and the course
Lecture 2: Uninformed Search Lecture 3: Informed search and heuristics Lecture 4: Problem Solving and Constraint Satisfaction problems (CSPs) Lecture 5: Game Playing Lecture 6: Predicate logic (First-order logic) Lecture 7: knowledge representation and reasoning Lecture 8: Introduction machine learning Lecture 9: Dealing with Uncertainty Lecture 10: Probabilistic Reasoning Lecture 11: Introduction to mobile robotics Final Exam

11 Course Webpage

12 AI คืออะไร? Artificial Intelligence =
การทำให้ computer ฉลาดเหมือนมนุษย์ มีการตัดสินใจเองได้

13 วิชานี้เอาไปทำอะไร ? Program หรือวิเคราะห์ระบบหุ่นยนต์
ทำให้ computer ทำงานบางอย่างได้อย่างคน

14 Rationality Right thing at the right time Like Human = 100%

15 What define “smart”? Think Act

16 Four Directions of AI How to think like human? How to act like human?
How to think rationally? How to act rationally? Science Engineering

17 Think like human Cognitive Science Natural Language Processing (NLP) Knowledge Representation Reasoning Machine Learning Act like human

18 Turing Test By Alan Turing (1950) Is this human?

19 Think rationally Logic Act rationally Robotics

20 AI คืออะไร? Artificial Intelligence =
การทำให้ computer (machine) ฉลาดเหมือนมนุษย์ มีการตัดสินใจเองได้ จะรู้ได้อย่างไรละว่า machine ฉลาด? จะดูได้จากอะไร?

21 การตัดสินความฉลาดจะดูจากการกระทำ
แนวคิดช่วงก่อนปี 1990 “การกระทำที่ฉลาดเกิดจากการคิดก่อนทำ” ดังนั้น agent (robot) ควรจะมีกลไกการคิด

22 World Model World model คือแบบจำลองกกลไกของสิ่งแวดล้อม

23 Problem with World Model
Incorrect – noise จาก sensor Incomplete – unexpected events

24 แนวคิดช่วงหลังปี 1990 - ปัจจุบัน
“ไม่จำเป็นต้องคิดก่อนทำก็ดูฉลาดได้ แต่การกระทำต้องถูกออกแบบมาอย่างดี” “Behavior-based Robotics”

25 Maze Problem Goal เดินสำรวจ, สร้าง map คิดหาเส้นทางออก behavior “เดินเลาะทางขวาไปเรื่อยๆ” Start

26 นิยามของ Agent Agent = anything that can perceive through sensors
and act through effectors Agent จะฉลาดหรือไม่ดูจากการกระทำ

27 Model of Agent Environment Agent Action Sense, Perceive

28 Types of Agents แบ่งตาม world model Reactive Deliberative

29 Reactive Agent Environment Action Sense, Perceive Agent Rules to Make
Decision Sense, Perceive

30 Deliberative Agent Environment Action Sense, Perceive Agent Make
Decision World Model Sense, Perceive

31 ข้อดี ข้อเสีย Reactive เร็ว ง่าย ทำงานซับซ้อนไม่ได้
ทนต่อ error และ unexpected incidents Deliberative ช้า ทำงานซับซ้อนได้อย่างมีระบบกว่า มี error ก็จะทำให้ระบบผิดพลาดไปเลย

32 Course Overview First half - Deliberative Second half - Reactive
World model แบบต่างๆ State-Action Logic Probability Rules & Architecture แบบต่างๆ MDP Neural Net วิธีคิดหาคำตอบ Search Reasoning Adaptive (learning)

33 Example Agent แบบต่างๆ
Simple reflex agents Model-based reflex agent Goal-based agents Utility-based agents

34 Simple Reflex Agent

35 Model-based Reflex Agent

36 Goal-based Agent

37 Utility-based Agent

38 ชนิดของ Environment Observable – Partially-observable
Deterministic – Nondeterministic Episodic – Non-episodic Static – Dynamic - Semi Discrete – Continuous Single Agent – Multi Agent

39 Task Observable Deterministic Episodic Static Discrete Agents Crossword Fully no Single Chess with clock Strategic Semi Multi Poker Partially Stochastic Backgammon Taxi Driving Dynamic Continuous

40 Want 10 litre x 2 13 7 7 19 13