Cursus Kunstmatige intelligentie

Wat je leert in 10 lessen

1. 1

   Intelligente agenten

   Begin hier

   Beschrijf wat AI is, modelleer problemen als agenten die in omgevingen handelen en formuleer toestandsruimten, acties en doelen.

   5 leerdoelen

   Wat je leert

   1. 1.Leg uit wat kunstmatige intelligentie is en hoe het vakgebied zich heeft ontwikkeld
   2. 2.Beschrijf agenten, omgevingen en rationeel gedrag
   3. 3.Classificeer taakomgevingen
   4. 4.Vergelijk agentarchitecturen
   5. 5.Formuleer problemen als zoekproblemen in een toestandsruimte
2. 2

   Zoekalgoritmen

   Los problemen op met breedte-eerst zoeken, zoeken op oplopende padkosten en A*, ontwerp toelaatbare heuristieken en gebruik lokaal zoeken voor zeer grote toestandsruimten.

   5 leerdoelen

   Wat je leert

   1. 1.Formuleer problemen als zoekproblemen en beoordeel zoekalgoritmen
   2. 2.Zoek zonder domeinkennis
   3. 3.Zoek met heuristieken: gulzig beste-eerst zoeken en A*
   4. 4.Ontwerp en beoordeel heuristieken
   5. 5.Gebruik lokaal zoeken voor zeer grote toestandsruimten
3. 3

   Constraintvervullingsproblemen

   Formuleer planningsproblemen en toewijzingsproblemen als constraintvervullingsproblemen en los ze op met backtracking, constraintpropagatie en ordeningsheuristieken.

   5 leerdoelen

   Wat je leert

   1. 1.Formuleer problemen als constraintvervullingsproblemen
   2. 2.Los CSP's op door te zoeken met backtracking
   3. 3.Verklein domeinen met constraintpropagatie
   4. 4.Los CSP's op met lokaal zoeken
   5. 5.Benut de structuur van een probleem
4. 4

   Zoeken met tegenstanders

   Kies zetten in spellen met minimax, alfa-bètasnoei en expectimax en ontwerp evaluatiefuncties.

   6 leerdoelen

   Wat je leert

   1. 1.Beschrijf spellen als zoekproblemen en teken de bijbehorende spelbomen
   2. 2.Kies optimale zetten met minimax
   3. 3.Versnel minimax met alfa-bètasnoei
   4. 4.Speel goed binnen een tijdslimiet met evaluatiefuncties
   5. 5.Kies zetten wanneer toeval een rol speelt
   6. 6.Doorzoek grote spellen met Monte-Carlo-boomzoeken
5. 5

   Logische agenten en planning

   Geef kennis weer in propositielogica en eerste-ordelogica, leid conclusies af en formuleer klassieke planningsproblemen.

   6 leerdoelen

   Wat je leert

   1. 1.Geef de kennis van een agent weer in propositielogica
   2. 2.Bewijs conclusies met propositionele inferentie en SAT-oplossers
   3. 3.Geef kennis weer in eerste-ordelogica
   4. 4.Leid conclusies af in eerste-ordelogica
   5. 5.Orden kennis in ontologieën en kennisgrafen
   6. 6.Formuleer klassieke planningsproblemen en los ze op
6. 6

   Bayesiaanse netwerken

   Redeneer onder onzekerheid met kansrekening en de regel van Bayes, geef afhankelijkheden weer in bayesiaanse netwerken en bereken antwoorden met exacte inferentie en inferentie op basis van steekproeftrekking.

   5 leerdoelen

   Wat je leert

   1. 1.Redeneer met kansen, de regel van Bayes en onafhankelijkheid
   2. 2.Geef afhankelijkheden weer met bayesiaanse netwerken
   3. 3.Bereken exacte antwoorden met enumeratie en variabele-eliminatie
   4. 4.Benader antwoorden met steekproeftrekking
   5. 5.Neem beslissingen op basis van nut, beslissingsnetwerken en de waarde van informatie
7. 7

   Verborgen Markovmodellen

   Modelleer veranderende systemen met Markovketens en verborgen Markovmodellen en volg verborgen toestanden met filtering en deeltjesfilters.

   5 leerdoelen

   Wat je leert

   1. 1.Modelleer een veranderend systeem met een Markovketen
   2. 2.Geef verborgen toestanden weer met verborgen Markovmodellen
   3. 3.Leid verborgen toestanden af uit een observatiereeks
   4. 4.Benader filtering met deeltjesfilters
   5. 5.Pas tijdsmodellen toe op objectvolging en spraak
8. 8

   Bekrachtigingsleren

   Modelleer opeenvolgende beslissingen als Markovbeslissingsprocessen, los ze op met waarde-iteratie en beleidsiteratie en leer beleid uit ervaring met Q-leren.

   5 leerdoelen

   Wat je leert

   1. 1.Modelleer opeenvolgende beslissingen als Markovbeslissingsprocessen
   2. 2.Druk waarden uit met Bellmanvergelijkingen
   3. 3.Los bekende MDP's op met dynamisch programmeren
   4. 4.Leer uit ervaring over een onbekend MDP
   5. 5.Leer handelen met Q-leren en exploratie
9. 9

   Neurale netwerken

   Train eenvoudige classificatoren zoals naïeve Bayes, perceptrons en logistische regressie en leg uit hoe neurale netwerken leren met gradiëntafdaling.

   6 leerdoelen

   Wat je leert

   1. 1.Formuleer een probleem voor gesuperviseerd leren
   2. 2.Classificeer met naïeve Bayes
   3. 3.Train lineaire classificatoren
   4. 4.Optimaliseer modellen met gradiëntafdaling
   5. 5.Bouw en train neurale netwerken
   6. 6.Herken en beheers overfitting
10. 10

    AI-ethiek

    Beoordeel AI-systemen op risico's voor eerlijkheid, transparantie, privacy en veiligheid en leg uit hoe regelgeving en bestuurlijke kaders die risico's beheersen.

    6 leerdoelen

    Wat je leert

    1. 1.Analyseer de ethische aspecten van een AI-systeem
    2. 2.Spoor oneerlijke vertekening op, meet die en verminder die
    3. 3.Maak AI-systemen transparant en bescherm de privacy
    4. 4.Maak AI-systemen veilig, robuust en afgestemd op menselijke bedoelingen en waarden
    5. 5.Beoordeel de gevolgen van AI voor de samenleving en de arbeidsmarkt
    6. 6.Leg uit hoe regelgeving en bestuurlijke kaders helpen om AI-risico's te beheersen