Kurs AI w Pythonie
Praktyczny, 40-godzinny kurs wprowadzający do sztucznej inteligencji i algorytmów optymalizacyjnych w Pythonie. Uczestnicy nauczą się tworzyć agentów, implementować klasyczne algorytmy przeszukiwania i optymalizacji, a także stosować heurystyki i metody Monte Carlo w problemach decyzyjnych.
Kurs łączy teorię z praktyką – każdy moduł zawiera ćwiczenia w Pythonie, mini-projekty i zadania, które pozwolą zrozumieć działanie agentów i algorytmów przeszukiwania w rzeczywistych problemach.
Program kursu (40 godz.)
| Moduł | Godz. |
|---|---|
| Wprowadzenie do AI i Pythona | 4 |
| Tworzenie agentów | 6 |
| Przeszukiwanie lokalne i heurystyki | 6 |
| Hill climbing, tabu search, simulated annealing | 6 |
| Przeszukiwanie grafów (BFS, A*) | 6 |
| Monte Carlo Tree Search | 6 |
| Praktyczne mini-projekty AI | 6 |
| Razem | 40 |
Moduł 1 — Wprowadzenie do AI i Pythona (4 godz.)
- Podstawy sztucznej inteligencji i zastosowania w Pythonie.
- Środowiska i biblioteki (NumPy, matplotlib, opcjonalnie AI).
- Tworzenie prostych programów i agentów testowych.
- Ćwiczenie: pierwszy agent podejmujący decyzje w środowisku.
Moduł 2 — Tworzenie agentów (6 godz.)
- Definicja agenta, środowisko, cele i działania.
- Reprezentacja stanu i strategii decyzyjnych.
- Implementacja prostego agenta w Pythonie.
- Ćwiczenia: symulacja prostych gier i zadań decyzyjnych.
Moduł 3 — Przeszukiwanie lokalne i heurystyki (6 godz.)
- Hill climbing i warianty.
- Tabu search – wprowadzenie i zastosowanie.
- Symulowane wyżarzanie (simulated annealing).
- Ćwiczenia: optymalizacja prostych problemów NP-trudnych.
Moduł 4 — Hill climbing, tabu search, simulated annealing (6 godz.)
- Implementacja algorytmów w Pythonie.
- Praktyczne przykłady: problemy optymalizacyjne, wyszukiwanie ścieżek.
- Łączenie metod i eksperymenty hybrydowe.
- Ćwiczenia: testowanie różnych heurystyk na zestawach danych.
Moduł 5 — Przeszukiwanie grafów (BFS, A*) (6 godz.)
- Breadth-First Search i implementacja w Pythonie.
- Algorytm A* z heurystyką, przykłady ścieżek.
- Porównanie algorytmów, analiza złożoności.
- Ćwiczenia: znajdowanie najkrótszej ścieżki w labiryncie.
Moduł 6 — Monte Carlo Tree Search (6 godz.)
- Wprowadzenie do MCTS, zastosowania w grach i problemach decyzyjnych.
- Budowa drzewa decyzji, eksploracja losowa i wybór najlepszego ruchu.
- Ćwiczenia: prosty MCTS w Pythonie dla gry lub symulacji.
Moduł 7 — Praktyczne mini-projekty AI (6 godz.)
- Tworzenie prostych projektów łączących wszystkie poznane algorytmy.
- Testowanie agentów w symulacjach i prostych grach.
- Podsumowanie kursu i wnioski praktyczne.
Korzyści dla uczestnika
- Nauka tworzenia agentów i implementacji algorytmów AI w Pythonie.
- Praktyczne ćwiczenia z optymalizacji i przeszukiwania przestrzeni stanów.
- Mini-projekty łączące różne algorytmy i heurystyki.
- Certyfikat ukończenia kursu.