Хичээлийн код ба нэр хөтөлбөр

Хичээлийн товч мэдээлэл

Хичээлийн код	KCS5102
Хичээлийн нэр	Хиймэл оюун 2
Багшийн овог нэр	Б.Далай-Очир
Анги	5-5
Улиралд хэдэн удаа	2-р улиралд долоо хоногт 2 удаа
Лекцийн тоо	32 удаа (64 цаг)
Хүрэх түвшин	1, 2, 3, 4, 5, 6
Хичээлийн товч агуулга	Хиймэл оюун ухааны дэвшилтэт ойлголт, алгоритм, хэрэглээг судлахад чиглэнэ. Оюутнууд машин сургалт, нейрон сүлжээ, өгөгдөл боловсруулах, загвар сургах болон үнэлэх аргачлалуудыг эзэмшиж, бодит асуудал дээр хэрэгжүүлэх чадвартай болно.
Суурь мэдлэг	Хиймэл оюун ба пайтон

Хичээлийн агуулга

Долоо хоногийн дугаар	Хичээлийн сэдэв	Агуулга
1	Learning and SARSA	Машин сургалтын алгоритмуудыг гүнзгийрүүлэн судалж, бодит өгөгдөл дээр туршилт хийж эхэлнэ.
2	Deep Reinforcement Learning	Hyperparameter tuning болон модел сайжруулах арга техникийг практикт хэрэглэнэ.
3	Applications of Reinforcement Learning	Ensemble learning (Bagging, Boosting) аргуудыг судалж, моделийн гүйцэтгэлийг сайжруулна.
4	Robot Fundamentals	Gradient Boosting болон XGBoost алгоритмуудыг судалж хэрэгжүүлнэ.
5	Robot Sensors	Deep Learning framework (TensorFlow, PyTorch)-ийг гүнзгий ашиглаж сурна.
6	Sensor Data Acquisition and Processing	Advanced CNN архитектур (ResNet, VGG) болон transfer learning аргуудыг судална.
7	Second-Term Midterm Exam	Object detection алгоритмууд (YOLO, SSD)-ын зарчим болон хэрэгжилтийг судална.
8	Automatic Robot Control	Computer Vision бодлогууд дээр модел сургаж, үр дүнг үнэлнэ.
9	Robot Motion Planning and Reinforcement Learning	NLP-ийн ахисан түвшин (RNN, LSTM, Transformer) болон текст моделуудыг судална.
10	Robot Exploration and Environmental Recognition	Attention механизм болон Transformer архитектурын үндсийг ойлгож хэрэгжүүлнэ.
11	Autonomous Robot Navigation	Pretrained модел (BERT, GPT) ашиглан текст боловсруулах бодлого шийднэ.
12	Robot Self-Learning 1	AI системийн гүйцэтгэл, scalability болон deployment ойлголтыг судална.
13	Robot Self-Learning 2	Model deployment (API, web application) болон бодит орчинд нэвтрүүлэх аргуудыг судална.
14	Project	AI системийн ёс зүй, аюулгүй байдал болон хариуцлагатай хэрэглээг гүнзгийрүүлэн хэлэлцэнэ.
15	Project	Эцсийн төслийг боловсруулж, туршиж сайжруулан бэлтгэнэ.
16	Project	Төслийн эцсийн хамгаалалт хийж, нийт хичээлийн үр дүнг нэгтгэн үнэлнэ.
17

Хичээлийн зорилт

1	SARSA, Deep Reinforcement Learning болон тэдгээрийн хэрэглээг судалж, агентын суралцах процессыг загварчлан хэрэгжүүлэх чадварыг эзэмших.
2	Роботын үндсэн бүтэц, мэдрэгч, өгөгдөл цуглуулах ба боловсруулах зарчмыг ойлгож, роботын орчны мэдээллийг ашиглах чадварыг эзэмших.
3	Автомат удирдлага, хөдөлгөөн төлөвлөлт, орчин таних болон автономит навигацид Reinforcement Learning аргыг уялдуулан хэрэгжүүлэх чадварыг эзэмших.
4	Robot Self-Learning аргыг ашиглан роботын суралцах системийг хөгжүүлж, төслөөр дамжуулан загвар зохиох, турших, сайжруулах болон үр дүнг хамгаалах чадварыг эзэмших.

RUBRIC үнэлгээ

	Бүрэн эзэмшсэн түвшин (А,В)	Стандарт түвшин (C,D )	Зорилтыг биелүүлээгүй түвшин (F)
Зорилт 1	SARSA болон Deep Reinforcement Learning аргуудыг зөв сонгон хэрэгжүүлж, сургалтын үр дүнг шинжилж, хэрэглээний нөхцөлтэй уялдуулан тайлбарлаж чаддаг.	SARSA/Deep RL-ийн үндсэн туршилтыг хийж чаддаг боловч параметрийн тохируулга, үр дүнгийн шинжилгээ дутмаг.	SARSA болон Deep Reinforcement Learning-ийн үндсэн ойлголт, хэрэгжилт хангалтгүй.
Зорилт 2	Роботын мэдрэгчийг зөв сонгож, мэдрэгчийн өгөгдлийг цуглуулах, боловсруулах, тайлбарлах үйл явцыг бие даан хэрэгжүүлж чаддаг.	Роботын мэдрэгчийн өгөгдөл цуглуулах, боловсруулах үндсэн алхмыг хийдэг боловч боловсруулалт, тайлбар дутмаг.	Роботын бүтэц, мэдрэгч болон өгөгдөл боловсруулах үндсэн чадвар хангалтгүй.
Зорилт 3	Роботын автомат удирдлага, хөдөлгөөн төлөвлөлт, орчин таних, автономит навигацийг RL-тэй уялдуулан бодит эсвэл симуляцийн орчинд зөв хэрэгжүүлдэг.	Удирдлага, хөдөлгөөн төлөвлөлт, навигацийн үндсэн шийдлийг хэрэгжүүлдэг боловч RL интеграц болон оновчлол сул.	Роботын удирдлага, хөдөлгөөн төлөвлөлт, навигацийн үндсэн ойлголт болон хэрэгжилт хангалтгүй.
Зорилт 4	Robot Self-Learning системийг төлөвлөж, туршиж, сайжруулан бүрэн хэмжээний төслийг бие даан эсвэл багаар хэрэгжүүлж, үр дүнг нотолгоотой хамгаалж чаддаг.	Self-Learning бүхий төслийн үндсэн хувилбарыг хэрэгжүүлдэг боловч туршилт, сайжруулалт, хамгаалалтын үндэслэл дутмаг.	Self-Learning болон төслийн хэрэгжилт, туршилт, үр дүнгийн тайлбар хангалтгүй.

Үнэлгээний задаргаа

	Өөрийгөө илэрхийлэх	Идэвхи	Даалгавар	Явцын шалгалт	Улирлын шалгалт	Нийт
Нийлбэр үнэлгээ		10	30	30	30	100
Суурь чадвар		5	20	15	15	55
Мэргэшсэн чадвар		5	10	15	10	40
Салбар бүрийн өргөн мэдлэг		0	0	0	5	5

Сургалтын хөтөлбөрийн бодлогын зорилт	(1), (2), (3), (4)
Тэнхмийн сургалтын хөтөлбөрийн бодлогын зорилт	(1), (2), (3), (4)

Сурах бичиг	Andress C.Muller(著者), Sarah Guido(著者), 中田秀基(訳者), Pythonではじめる機械学習-scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎、株式会社オラーリー・ジャパン, 2018年
Санал болгох ном	①斎藤康毅,ゼロから作るDeep Learning – Pythonで学ぶディープラーニングの理論と実装,株式会社オーム
Хичээл явуулах хэлбэр	Хичээлийг семинар хэлбэрээр явуулна.
Хичээлийн холбоос	Хиймэл оюун 1
Оюутан бэлтгэх зүйл	Семинар тэмдэглэх дэвтэр, үзэг, харандаа, хичээлийн классрүүмлүү орж бие даалт болон хичээлийн материалыг үзэх.
Бие дааж сурах заавар	Хичээл дээр заасан агуулгыг давтан үзэж, заасан дасгал ажлыг давтах.
Оффисийн цаг	7:50-16:00
Бусад

Great stories have a personality. Consider telling a great story that provides personality. Writing a story with personality for potential clients will assist with making a relationship connection. This shows up in small quirks like word choices or phrases. Write from your point of view, not from someone else's experience.

Great stories are for everyone even when only written for just one person. If you try to write with a wide, general audience in mind, your story will sound fake and lack emotion. No one will be interested. Write for one person. If it’s genuine for the one, it’s genuine for the rest.