EGCO461 - Artificial Intelligence

๑. ชื่อหลักสูตร                      วิศวกรรมศาสตรบัณฑิต คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล

๒. รหัสรายวิชา                     วศคพ ๔๖๑ (EGCO461)

ชื่อรายวิชา                       ปัญญาประดิษฐ์ (Artificial Intelligence)

๓. จำนวนหน่วยกิต                  ๓ (๓-๐-๖) หน่วยกิต (บรรยาย-ปฏิบัติ-ศึกษาด้วยตนเอง) 

๔. เงื่อนไขของรายวิชา             ไม่มี

๕. ประเภทวิชา                 วิชาเลือก

๖. ภาคการศึกษาและปีการศึกษา ๒/๒๕๖๕

๗. คำอธิบายรายวิชา  ภาษาไทย / ภาษาอังกฤษ

พื้นฐานของปัญญาประดิษฐ์ การแก้ปัญหาด้วยการค้นหา การแทนความรู้ ตรรกศาสตร์อันดับที่หนึ่ง การอนุมานในตรรกศาสตร์อันดับที่หนึ่ง การวางแผน ระบบเหตุผลโดยใช้ความน่าจะเป็น โปรล็อกขั้นแนะนำ การประมวลผลภาษาธรรมชาติ ขั้นตอนวิธีเชิงพันธุกรรม และเทคนิคการเรียนรู้ของเครื่อง: ต้นไม้ตัดสินใจ การเรียนรู้แบบเบย์ การเรียนรู้เครือข่ายความเชื่อแบบเบย์ เครือข่ายประสาทเทียม และขั้นตอนการเรียนรู้แบบอื่นๆ

Foundations of artificial intelligence, solving problems by searching, knowledge representation, first-order logic, inference in first-order logic, planning, probabilistic reasoning systems, introduction to Prolog, natural language processing, genetic algorithm, and machine learning techniques: decision tree, Bayesian learning, Bayesian Belief Network, artificial neural network, and other learning algorithms

๘. วัตถุประสงค์ของรายวิชา

- อธิบายความหมายของปัญญาประดิษฐ์ และขั้นตอนวิธีที่ใช้ในปัญญาประดิษฐ์ได้

- เลือกขั้นตอนวิธีที่เหมาะสมในการพัฒนาระบบที่เกี่ยวข้องกับปัญญาประดิษฐ์

- ประยุกต์ใช้ความรู้เกี่ยวกับปัญญาประดิษฐ์ในการแก้ปัญหาทางวิศวกรรมได้

๙. วิธีการจัดการเรียนการสอน

บรรยายในชั้นเรียน สาธิตและฝึกใช้โปรแกรมสำเร็จรูป แบบฝึกหัด และ กรณีศึกษา

๑๐. สื่อการสอน

เอกสารประกอบการสอน อุปกรณ์จำลอง/โมเดล คอมพิวเตอร์ช่วยสอน

๑๑. เอกสารอ้างอิง

- G.F. Luger, Artificial Intelligence: Structures and Strategies for Complex Problem Solving, 6th edition. Addison-Wesley, 2009.

- S. Russell & P. Norvig, Artificial Intelligence: A Modern Approach. Prentice Hall, 2006.

- E. Rich & K. Knight, Artificial Intelligence. McGraw-Hill, 1991.

- T. Mitchell, Machine Learning. McGraw-Hill, 1997.

๑๒. การประเมินผลการเรียน

ประเมินผลสัมฤทธิ์ในการเรียนแบบอิงเกณฑ์ และ/หรือ อิงกลุ่ม ตามมาตรฐานของมหาวิทยาลัย โดยใช้สัญลักษณ์ A, B+, B, C+, C, D+, D และ F  โดยแบ่งสัดส่วนในการให้คะแนนดังนี้  

- การปฏิบัติและการมีส่วนร่วมในชั้นเรียน       ๑๕ %

- การมอบหมายงาน                                ๒๕ %

- โครงงานและการนำเสนอ                        ๒๐ %       

- การสอบกลางภาค                                ๒๐ %

- การสอบปลายภาค                                ๒๐ %

รวม                                               ๑๐๐ %

๑๓. เค้าโครงรายวิชา

สัปดาห์ที่ ๑      แนะนำเบื้องต้นเกี่ยวกับปัญญาประดิษฐ์

สัปดาห์ที่ ๒      ปริภูมิสถานะและการค้นหา

สัปดาห์ที่ ๓      การแก้ปัญหาด้วยการค้นหา

สัปดาห์ที่ ๔      ปัญญาประดิษฐ์ในเกม

สัปดาห์ที่ ๕      ระบบผู้เชี่ยวชาญและวิทยาการหุ่นยนต์

สัปดาห์ที่ ๖      การแทนความรู้และตรรกศาสตร์อันดับที่หนึ่ง

สัปดาห์ที่ ๗      ระบบเหตุผลโดยใช้ความน่าจะเป็น

สัปดาห์ที่ ๘      การประมวลผลภาษาธรรมชาติ

สัปดาห์ที่ ๙      สอบกลางภาค

สัปดาห์ที่ ๑๐    เทคนิคการเรียนรู้ของเครื่อง

สัปดาห์ที่ ๑๑    การวัดผลการเรียนรู้ของเครื่อง

สัปดาห์ที่ ๑๒    เวอร์ชันสเปซและต้นไม้ตัดสินใจ

สัปดาห์ที่ ๑๓    การเรียนรู้แบบเบย์

สัปดาห์ที่ ๑๔    เครือข่ายประสาทเทียม

สัปดาห์ที่ ๑๕    การใช้ซอฟต์แวร์เพื่อการเรียนรู้ของเครื่อง

สัปดาห์ที่ ๑๖    การเรียนรู้เชิงลึก

สัปดาห์ที่ ๑๗    สอบปลายภาค

๑๔. อาจารย์ผู้สอน

ผศ.ดร. ธนัสนี เพียรตระกูล

อีเมล์: tanasanee@gmail.com

โทร: 02 889 2138 ต่อ 6257

ภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล

๑๕. เวลาเรียนและห้องเรียน

วันศุกร์ เวลา 9.00-12.00 น.

ห้อง 6273

https://classroom.google.com/c/NTA5MjQxMjM3MzMy?cjc=yc47xrw

Google Classroom – Class code: yc47xrw