nr |
temat wykładu |
literatura |
slajdy |
sta tys tyki |
1 | Wstęp: algorytmy, poprawność i efektywność
obliczeń, rząd wzrostu funkcji, notacja asymptotyczna. |
CLRS:roz.1,2.1,2.2,3 |
 |
 |
2 | Algorytmy sortowania: mergesort, heapsort, quicksort. |
CLRS:roz.2.3,6,7 |
 |
 |
3 | Sortowanie w czasie liniowym. Podstawowe struktury danych: stosy, kolejki, listy, i drzewa binarne. |
CLRS:roz.8,10 |
 |
 |
4 | Tablice z haszowaniem. |
CLRS:roz.11 |
 |
 |
5 | Binarne drzewa przeszukiwań BST. Drzewa zrównoważone AVL. |
CLRS:roz.12,??? |
 |
 |
6 | Programowanie dynamiczne. Przykładowe algorytmy. |
CLRS:roz.14 |
 |
 |
7 | Grafy: reprezentacje, przeszukiwanie grafów. Minimalne drzewa rozpinające. |
CLRS:dod.B.4,roz.20,21 |
 |
 |
8 | Znajdowanie najkrótszych ścieżek w grafach. |
CLRS:roz.22 |
 |
 |
9 | Wprowadzenie do sztucznej inteligencji.
Reprezentacja w przestrzeni stanów. Metody przeszukiwania.
Zastosowanie heurystyk. |
RN:roz.3 |
 |
 |
10 | Przeszukiwanie dla gier, algorytm
minimaks, warianty. |
RN:roz.5 |
 |
 |
11 | Przeszukiwanie dla zagadnień z więzami (CSP). |
RN:roz.6 |
 |
 |
12 | Wprowadzenie do sztucznych sieci neuronowych,
sieci jednokierunkowe, uczenie sieci, propagacja wsteczna błędów.
Budowa sieci jednokierunkowych, dobór parametrów. |
RN:roz.21 |
 |
 |
13 | Modele głębokie, sieci konwolucyjne.
Rekurencyjne sieci neuronowe. |
 |
 |
14 | Reprezentacja probabilistyczna: sieci
bayesowskie |
RN:roz.12,13 |
 |
 |
15 | Podejmowanie prostych decyzji: funkcje
użyteczności |
RN:roz.16 |
 |
 |
Częściowe wyniki sumaryczne |
 |