Detail předmětu

Umělá inteligence

FEKT-MUINAk. rok: 2011/2012

Kurz je zaměřen na prohloubení znalostí a aplikaci metod z oblasti umělé inteligence. Umělá inteligence - směry, definice. Neuronové sítě, paradigmata neuronovích sítí, metoda učení Back-Propagation, asociativní NS, RCE síť, Kohonenovy mapy. Princip expertních systémů. reprezentace znalostí, řěšení úloh. Počítačové vidění.

Jazyk výuky

čeština

Počet kreditů

6

Výsledky učení předmětu

Student se seznámí s metodami řešení úloh, reprezentace znalostí a se základními typy umělých neuronových sítí.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT.

Způsob a kritéria hodnocení

Podmínkou udělení zápočtu je 100% účast na povinné části výuky a získání minimálně 15 bodů. Studenti jsou hodnoceni průběžně během studia ve cvičeních. Za semestr tak mohou získat max. 30 bodů. Závěrečná písemná zkouška je hodnocena max. 60ti body, ústní zkouška max. 10ti body.

Osnovy výuky

Umělá inteligence - úvod, definice UI
Inteligence - biologický informační systém
Neuronové sítě - úvod, biologické poznatky o neuronech a neuronových sítí.
Teorie umělých neuronových sítí, modelování a vlastnosti neuronových sítí, paradigmata.
Perceptron
Vicevrstvá neuronová síť, metoda učení Back-Propagation, modifikované algoritmy metody BP
Kohonenovy samoorganizační mapy
Hopfieldova síť
RCE síť
Znalostní systémy
Expertní systémy, struktura a činnost ES, inferenční mechanismus.
ES - reprezentace znalostí, řešení úloh
Počítačové vidění, snímání a digitalizace obrazu.
Předzpracování obrazu, lokální filtrace, zvýraznění hran, transformace stupnice šedé.
Segmentace obrazu, prahování, určení hranic mezi oblastmi, narůstání oblastí.
Popis obrazu, popis dvourozměrných objektů, analýza scény.
Příznakové metody rozpoznávání, výběr a uspořádání příznaků, princip činnosti klasifikátoru.
Strukturální metody rozpoznávání
Inteligentní robot

Učební cíle

Seznámit studenty se základy umělé inteligence, s problematikou umělých neuronových sítí, řešení úloh a reprezentace znalostí.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.

Základní literatura

Kasabov,N.K.: Foundations of Neural Networks, Fuzzy systems and Knowledge Engineering.The MIT Press,1996,ISBN 0-262-11212-4 (ET)

Zařazení předmětu ve studijních plánech

  • Program EEKR-M magisterský navazující

    obor M-EEN , 2 ročník, zimní semestr, volitelný mimooborový
    obor M-TIT , 1 ročník, zimní semestr, volitelný mimooborový
    obor M-KAM , 2 ročník, zimní semestr, povinný

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

39 hod., nepovinná

Vyučující / Lektor

Osnova

Umělá inteligence,definice, metody.
Neuronové sítě, biologické poznatky o neuronech
Modely neuronu a paradigmata neuronovích sítí
Vrstevnaté NS, Metoda Back-Propagation, Modifikované algoritmy metody BP
Asociativní NS, RCE síť, Kohonenovy mapy
Princip expertních systémů, teoretické zdroje ES.
Reprezentace znalostí - logika, produkční pravidla.
Reprezentace znalostí - sémantické sítě, rámce.
Řěšení úloh - typy úloh, nedeterminismus, heuristika.
Řešení úloh - metody řešení úloh.
Řešení úloh - metody inference pro ES.
Rozpoznávání řeči - zpracování, modelování a syntéza řeči.
Rozpoznávání řeči - metody rozpoznávání, hlasové ovládání technických zařízení.

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Osnova

Matlab with Simulink
Modelování algoritmu BackPropagation 1
Neuronové sítě v modelování 2
Modelování dynamických systémů pomocí neuronových sítí.
Citlivostní analýza NS typu Backpropagation.
Klasifikace pomocí NS.
Aplikace expertních systémů.