- 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 (45%): письмові звіти з лабораторних робіт, усне опитування
• Підсумковий контроль (55%, екзамен): тестування (40%), письмово-усна форма (15%)

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

Дискретна математика

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.

40 - лабораторні роботи
10 - розрахункова робота
50 - екзамен

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