Detail předmětu

Algoritmy umělé inteligence

FSI-VAIAk. rok: 2017/2018

Kurz seznamuje se základními přístupy k algoritmům umělé inteligence a klasickými metodami používanými v této oblasti. Důraz je kladen na automatické dokazování formulí, reprezentaci znalostí a řešení úloh. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

prof. Ing. Radomil Matoušek, Ph.D.

Zajišťuje ústav

Ústav automatizace a informatiky (ÚAI)

Výsledky učení předmětu

Pochopení základních metod umělé inteligence a schopnost jejich implementace.

Prerekvizity

Předpokládá se znalost základních souvislostí z teorie grafů a objektově orientovaných technologií.

Plánované vzdělávací činnosti a výukové metody

Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny. Cvičení je zaměřeno na praktické zvládnutí látky probrané na přednáškách.

Způsob a kritéria hodnocení

Požadavky pro udělení zápočtu: předložení funkčního softwarového projektu, který používá některou z probíraných implementací metod UI. Konkrétní specifikace probíhá na prvním cvičení. Kontrola postupu realizace projektu a konzultace jsou prováděny průběžně. Dále absolvování jednoho testu a splnění všech samostatných úkolů, které jsou průběžně zadávány. Celkem může student získat 40 bodů za cvičení (20 za projekt a 20 za test) a 60 bodů za zkoušku, celkem tedy max. 100 bodů. Hodnocení probíhá dle ECTS, tj. pro úspěšné absolvování musí student v každé části získat alespoň polovinu bodů (20 a 30).

Učební cíle

Cílem kurzu je seznámit studenty se základním prostředky umělé inteligence, s možnostmi a přiměřeností jejich použití při řešení inženýrských úloh.

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

Účast na přednáškách je žádoucí, na cvičeních povinná. Výuka běží podle týdenních plánů. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.

Základní literatura

Bratko, I. Prolog Programming for Artificial Intelligence. Pearson Education Canada 2011. (EN)
Luger, G.F. Artificial Intelligence. Structures and Strategies for Complex Problem Solving. Addison-Wesley 2008. (EN)
Negnevitsky, M. Artificial Intelligence. A Guide to Intelligent Systems. Pearson Education 2011. (EN)
Russel, S. and Norvig, P. Artificial Intelligence: A Modern Approach, Global Edition. Pearson Education 2021. (EN)

Doporučená literatura

Mařík, V. a kol. Umělá inteligence 1 - 6. Praha, Academia. (CS)

Zařazení předmětu ve studijních plánech

  • Program M2A-P magisterský navazující

    obor M-MAI , 1 ročník, letní semestr, povinně volitelný
    obor M-MET , 1 ročník, letní semestr, povinný

  • Program M2I-P magisterský navazující

    obor M-AIŘ , 1 ročník, letní semestr, povinný
    obor M-AIŘ , 1 ročník, letní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

RNDr. Jiří Dvořák, CSc.

Osnova

1. Úvod, oblasti UI.
2. Neinformované prohledávání stavového prostoru.
3. Informované metody prohledávání.
4. Reprezentace znalostí pravidly, produkční systémy.
5. Evoluční metody prohledávání.
6. Řešení problémů rozkladem na podproblémy, metody prohledávání AND/OR grafu.
7. Metody hraní her.
8. Reprezentace znalostí formulemi predikátové logiky, rezoluční metoda.
9. Hornova logika a Prolog. Netradiční logiky.
10. Reprezentace znalostí sémantickými sítěmi, rámci, scénáři a objekty.
11. Strojové učení.
12. Inteligentní a reaktivní agenti.
13. Multiagentní systémy.

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

RNDr. Jiří Dvořák, CSc.
Ing. Petr Šoustek, Ph.D.

Osnova

1. Neinformované metody prohledávání stavového prostoru – teoretický rozbor.
2. Neinformované metody prohledávání stavového prostoru – objektový návrh implementace řešení.
3. Informované metody prohledávání stavového prostoru - gradientní algoritmus, Dijkstrův algoritmus, algoritmus uspořádaného prohledávání, teoretický rozbor.
4. A-star algoritmus – teoretický rozbor, objektový návrh implementace řešení.
5. Řešení problémů pomocí genetických algoritmů.
6. Rozklad problému na podproblémy, AND/OR graf.
7. Objektový návrh a implementace AND/OR grafu.
8. Hraní her, minimax, alfa-beta prořezávání.
9. Průběžný test.
10. Formule predikátové logiky, rezoluční metoda.
11. Řešení problémů umělé inteligence pomocí Prologu.
12. Řešení vybraného praktického problému pomocí UI.
13. Obhájení semestrálních prací.