SILABUS MATA KULIAH
ARTIFICIAL INTELLIGENCE AND PATTERN RECOGNITION


Deskripsi Mata kuliah ini mengajarkan kecerdasan buatan dan aplikasinya untuk pengenalan pola. Kecerdasan Buatan adalah salah satu area pada ilmu komputer yang memodelkan kecerdasan manusia dan tingkah lakunya, dan kemudian mentransformasikannya ke dalam komputer. Kecerdasan Buatan membuat komputer mempunyai kemampuan untuk dapat belajar, merencanakan dan melakukan sesuatu, dan menyelesaikan permasalahan secara mandiri. Mata kuliah Kecerdasan Buatan ini terdiri dari pembahasan seputar reasoning, knowledge, planning, learning, communication, perception dan kemampuan untuk menjalankan dan memanipulasi obyek. Isu yang paling penting dari aplikasi Kecerdasan Buatan adalah pengenalan pola yang bertujuan untuk mendeteksi pola-pola data dengan melakukan serangkaian prosedur pembelajaran. Pengenalan pola mengutilisasi model-model pembelajaran terhadap data-data pembelajaran untuk klasifikasi pola-pola data dari target-target pembelajaran.
Kompetensi Mata kuliah ini membawa mahasiswa untuk mampu memahami bagaimana mendesain suatu model kecerdasan dan tingkah laku manusia untuk menyelesaikan permasalahan, mampu melakukan representasi pengetahuan, frame dan fungsi heuristik, dan mampu melakukan ekstraksi fitur-fitur penting dari suatu pola, mampu melakukan seleksi dan penentuan tipe-tipe pembelajaran yang sesuai. Mata Kuliah ini didesain untuk membekali mahasiswa dapat memahami pendekatan-pendekatan Kecerdasan Buatan untuk Pengenalan Pola dan mengimplementasikan isu-isu teoritis dan praktis pada sistem pengenalan pola.
Materi kajian
  • Intelligent agents, perceptionn, search algorithms.
  • Knowledge representation, reasoning, frame
  • Basic techniques of AI in computational solutions to problems
  • pattern classification, structural pattern recognition, and pattern classifier combination techniques
  • Bayes theorem, multiple features, decision boundaries, estimation of error rates, histogram, kernels, window estimaters, nearest neighbour classification, maximum distance pattern classifier, adaptive decision boundaries
  • Performance evaluation methods for pattern recognition, and critique comparisons of techniques
  • Pattern recognition techniques to real-world problems such as document analysis and recognition