čeština

Absolvent předmětu by měl být schopen:
- vysvětlit pojem umělá inteligence z pohledu její aplikace v technických zařízení,
- pochopit základní termíny a metody spadající do strojového učení
- vysvětlit architekturu a funkčnost znalostních systémů,
- vytvořit bázi znalosti pro expertní systém NPS32,
- zvolit oblasti použití expertních systémů,
- aplikovat zpracování optické informace prostředky umělé inteligence
- vysvětlit paradigmata vybraných umělých neuronových sítí: perceptron, vícevrstvá neuronová síť s učením backpropagation, konvoluční neuronová síť
- diskutovat a ověřit nastavení jednotlivých parametrů zvolené neuronové sítě,
- posoudit oblast použití jednotlivých umělých neuronových sítí.

Metody vyučování zahrnují přednášky a cvičení na počítači. Student odevzdává jeden samostatný projekt.

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.

1. Organizace výuky, umělá inteligence
2. Neurověda, kybernetika
3. Umělé neuronové sítě - paradigmata, Perceptron
4. Umělé neuronové sítě – Back propagation
5.Umělé neuronové sítě - Hopfield, Kohonen, RCE
6. státní svátek 2019
7. Počítačové vidění
8. Počítačové vidění
9. Expertní systémy
10. Expertní systémy
11. Konvoluční neuronové sítě
12. Konvoluční neuronové sítě
13. Inteligentní systémy

Cílem předmětu je vysvětlit studentům základní terminologii (algoritmy) v oblasti umělá inteligence. Důraz je kladen na oblast strojového učení, řešení úloh, reprezentace znalostí, znalostní systémy, počítačové vidění a umělé neuronové sítě.

Počítačová cvičení jsou povinná, řádně omluvené zmeškané počítačové cvičení lze po domluvě s vyučujícím nahradit.

MAŘÍK, Vladimír, ŠTĚPÁNKOVÁ, Olga, LAŽANSKÝ, Jiří a kolektiv. Umělá inteligence (1. až 6. díl) Praha: Academia 1993 - 2013. (CS)
RUSESELL, Stuart a NORVIG, Peter. Artificial Intelligence. A Modern Aproach. New Jersey: Prentice Hall 2010. 1132 s. ISBN-13: 978-0-13-604259 (EN)

DUDA, Richard, HART Peter a STORK David. Pattern Classification. New York: John Wiley & Sons, INC. 2001. 654 s. ISBN 0-471-05669-3. (EN)
SONKA, Milan, HLAVAC, Vaclav a BOYLE, Rogert. Image Processing, Analysis and Machine Vision. Toronto: Thomson, 2008. 829 s. ISBN 978-0-495-24438-7. (EN)