- знати проблеми штучного інтелекту, напрямки досліджень в області штучного інтелекту та основні підходи до проектування інтелектуальних інформацуійних систем;
- уміти застосовувати набуті знання для розробки та створення систем штучного інтелекту.

пререквізит: Системний аналіз; Теорія алгоритмів; Методи та засоби комп`ютерних інформаційних технологій;
кореквізити: Теоретичні основи управління

Основні напрямки досліджень в області ШІ; поняття знання і його відмінність від даних; особливості знань; моделі представлення знань: продукційна модель; семантичні мережі; фрейми; формальні логічні моделі; виведення на знаннях; класифікація рівнів розуміння; основні відомості про розпізнавання образів; основні задачі побудови систем розпізнавання; модель штучного нейрона; активаційні функції нейронів; призначення, структура і принципи функціонування експертних систем.

• Глибовець М.М., Олецький О.В. Штучний Інтелект – Київ: Видавничий дім “Академія”, 2002.–366 с.: іл..
• Искусственный интелект: Учеб. Пособие для вузов / В.Н.Бондарев, Ф.Г.Аде.–Севастополь: Изд-во СевНТУ, 2002.–615 с.: ил.
• Рассел С., Норвиг П. Искусственный интелект: современный подход, 2–е изд.: Пер. С англ.–М.: Издательский дом “Вильямс”, 2006.–1408 с.:ил.

• Поточний контроль (40%): письмові звіти з лабораторних робіт, усне опитування
• Підсумковий контроль (60%, екзамен): тестування (45%), письмово-усна форма (15%)

В результаті вивчення дисципліни «Методи та системи штучного інтелекту» студент повинен знати:
- методики представлення знань;
- архітектури систем штучного інтелекту;
- принципи функціонування систем штучного інтелекту;
- методологічні підходи до побудови систем штучного інтелекту;
- методологію використання знань та технології інженерії знань.

- дискретна математика;
- основи програмування;
- алгоритмічні мови.

Курс «Методи та системи штучного інтелекту» містить опис основних методів штучного інтелекту та використання цих методів при вирішенні практичних задач. Теоретичні та практичні навички роботи з використанням методів штучного інтелекту дають змогу швидко розв’язувати реальні задачі, пов’язані із складністю опрацювання та зберігання великих масивів різнорідної інформації в інтелектуальних інформаційних системах, використовувати нові інформаційні технологій та сучасні програмні продукти, що базуються на методах штучного інтелекту в роботі різних організацій, на підприємствах та у повсякденному житті.

1. Нікольський Ю.В., Пасічник В.В. Системи штучного інтелекту. – Львів, Магнолія-Плюс, 2013. – 315 с.
2. Stuart J. Russell, Peter Norvig. Artificial intelligence. A modern approach. Third Edition. ISBN-10: 0-13-604259-7, ISBN-13: 978-0-13-604259-4
3. Уотерман Д. Руководство по экспертным системам – М.: Мир, 1989.
4. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. – М.: Финансы и статистика, 1996.
5. Питер Джексон. Введение в экспертные системы. – Изательский дом “Вильямс”, Москва, Санкт-Петербург, Киев. 2001.
6. В.В.Девятков. Системы искусственного интеллекта. – М.: Изд-во МГТУ им. Н.Э.Баумана, 2001.

Методи і критерії оцінювання включають в себе:
- поточний контроль (40%): письмові звіти з лабораторних робіт, усне опитування;
- підсумковий контроль (60%, екзамен): письмово-усна форма.

знати:
- здатність продемонструвати поглиблені знання принаймні в одній з областей
інформаційних технологій;
- здатність продемонструвати знання та навики щодо проведення експериментів,
збору даних та моделювання у предметній області;

вміти:
- здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою алгоритмічного та програмного забезпечення, використовуючи машинне навчання, штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації, фільтри

1. Дискретна математика
2. Алгоритмізація та програмування
3 Чисельні методи
4 Теорія інформації
5 Теорія ймовірності та математична статистика

Основні поняття інтелектуальних систем. Архітектура інтелектуальних систем. Формальне означення інтелектуальних систем. Функціональна модель інтелектуальних систем. Моделі подання знань та механізми логічного виведення. Виявлення логічних закономірностей в даних. Дерева прийняття рішень . Штучні нейронні мережі. Генетично-адаптивні алгоритми. Моделювання нечіткостей в інтелектуальних системах. Ускладнене подання знань із врахуванням фактору невизначеності . (Нечітка логіка. Нечіткі множини. Коефіцієнти впевненості. Зважування тверджень. Байесівський підхід.)

1. www.intuit.ru – Национальный открытый университет
2. Шитиков В.К., Мастицкий С.Э. (2017) Классификация, регрессия и другие алгоритмы
Data Mining с использованием R. 351 с. – Электронная книга, адрес доступа:
https://github.com/ranalytics/data-mining
3. http://itacademy.microsoftelearning.com/ - Інтерактивне навчання за програмою Microsoft IT
Academy.

лабораторні роботи - 40
розрахункова робота - 10
екзамен - 50

знати:
- здатність продемонструвати поглиблені знання принаймні в одній з областей
інформаційних технологій;
- здатність продемонструвати знання та навики щодо проведення експериментів,
збору даних та моделювання у предметній області;

вміти:
- здатність створювати математичні моделі і алгоритми прийняття рішень за допомогою алгоритмічного та програмного забезпечення, використовуючи машинне навчання, штучні нейронні мережі, еволюційне моделювання, генетичні методи оптимізації, фільтри

1. Дискретна математика
2. Алгоритмізація та програмування
3 Чисельні методи
4 Теорія інформації
5 Теорія ймовірності та математична статистика

Основні поняття інтелектуальних систем. Архітектура інтелектуальних систем. Формальне означення інтелектуальних систем. Функціональна модель інтелектуальних систем. Моделі подання знань та механізми логічного виведення. Виявлення логічних закономірностей в даних. Дерева прийняття рішень . Штучні нейронні мережі. Генетично-адаптивні алгоритми. Моделювання нечіткостей в інтелектуальних системах. Ускладнене подання знань із врахуванням фактору невизначеності . (Нечітка логіка. Нечіткі множини. Коефіцієнти впевненості. Зважування тверджень. Байесівський підхід.)

1. www.intuit.ru – Национальный открытый университет
2. Шитиков В.К., Мастицкий С.Э. (2017) Классификация, регрессия и другие алгоритмы
Data Mining с использованием R. 351 с. – Электронная книга, адрес доступа:
https://github.com/ranalytics/data-mining
3. http://itacademy.microsoftelearning.com/ - Інтерактивне навчання за програмою Microsoft IT
Academy.

лабораторні роботи - 40
розрахункова робота - 10
екзамен - 50