Õppeaine eesmärk on anda üliõpilastele terviklik arusaam nii intelligentsetes süsteemides kasutatavatest alus- kui ka kaasaegsetest algoritmidest. Õppeaine annab praktilised ja teoreetilised oskused keerukate probleemide sõnastamiseks, algoritmiliste lahenduste loomiseks otsingu, planeerimise, stiimulõppe ja kaasaegsete agentarhitektuuride valdkonnas ning nende eetiliste ja ohutusalaste mõjude kriitiliseks hindamiseks.

The aim of the course is to provide students with a comprehensive understanding of both foundational and contemporary algorithms used in intelligent systems. The course equips students with practical and theoretical skills to formulate complex problems, implement algorithmic solutions across search, planning, reinforcement learning, and modern agent architectures, and critically assess their ethical and safety implications.

Õppeaine läbinud üliõpilane:
- modelleerib keerukaid valdkonnaspetsiifilisi probleeme formaalseteks olekuruumideks, otsingugraafideks ja kitsendusvõrkudeks;
- rakendab informeerimata, heuristilisi, lokaalse optimeerimise ja vastanduva otsingu (adversarial search) algoritme;
- rakendab ühe- ja mitmeagendilisi planeerimistehnikaid koordineeritud tegevusjadade sünteesimiseks;
- realiseerib stiimulõppe algoritme dünaamilistes keskkondades järjestikuste otsuste tegemiseks;
- kavandab intelligentsete agentide arhitektuure, mis hõlmavad välismälu, tööriistade laiendusi ja hübriidse arutluse põhimõtteid;
- valideerib algoritmide korrektsust testimisel põhineva arenduse kaudu ning selgitab realiseeritud lahenduste teoreetilist käitumist ja kompromisse suuliselt;
- analüüsib aines käsitletud algoritmide teoreetilisi aluseid ning nende implementatsioone;
- analüüsib struktureeritud juhtumianalüüside kaudu kriitiliselt autonoomsete intelligentsete süsteemide eetilisi, ohutusalaseid ja ühiskondlikke mõjusid.

After completing this course, the student:
- models complex domain problems into formal state spaces, search graphs, and constraint networks;
- implements uninformed, heuristic, local optimization, and adversarial search algorithms;
- applies single-agent and multi-agent planning techniques to synthesize coordinated action sequences;
- implements reinforcement learning algorithms for sequential decision-making in dynamic environments;
- designs intelligent agent architectures incorporating external memory, tool augmentation, and hybrid reasoning principles;
- validates algorithmic correctness through test-driven development and verbally explains the theoretical behavior and trade-offs of implemented solutions;
- analyzes the theoretical foundations, complexity, and algorithm implementations;
- critically analyzes the ethical, safety, and societal implications of autonomous intelligent systems through structured case studies.

Aines uuritakse autonoomsete intelligentsete süsteemide algoritmilisi aluseid ja kaasaegseid paradigmasid. Põhiteemad hõlmavad graafotsingu strateegiaid, kitsenduste lahendamist, vastanduvaid mänge, ühe ja mitme agendi planeerimist ning stiimulõpet. Kursus seob klassikalise tehisintellekti kaasaegsete intelligentsete agentide arhitektuuridega, kattes tiheda otsingu (dense retrieval) ja vektormälu, tööriistalaiendustega keelemudelite agendid, promptide optimeerimise ning neurosümbolilise arutluse. Üliõpilased omandavad praktilise arenduskogemuse testimisel põhinevat arendusmeetodit rakendades programmeerimisülesandeid lahendades, õpivad analüüsima algoritmilist keerukust ning sellega seotud kompromisse ja käsitlevad autonoomsete süsteemide rakendamisega kaasnevaid eetilisi ning ühiskonda mõjutavaid aspekte.

The course explores the algorithmic foundations and modern paradigms of autonomous intelligent systems. Core topics include graph search strategies, constraint satisfaction, adversarial game-playing, single- and multi-agent planning, and reinforcement learning. The course bridges classical AI with modern intelligent agent architectures, covering dense retrieval and vector memory, language model agents with tool augmentation, prompt optimization, and neuro-symbolic reasoning. Students gain hands-on development experience through test-driven programming assignments, learn to analyze algorithmic complexity and trade-offs, and examine the ethical and societal considerations of deploying autonomous systems.

-

-

-

-

Russell, S.J and Norvig, P. Artificial intelligence: a modern approach, fourth editions, Pearson 2020

-

not specified