Detail předmětu
Umělá inteligence a strojové učení
FIT-SUIAk. rok: 2021/2022
Přehled metod řešení úloh UI včetně hraní her. Logika a její využití při řešení úloh a plánování. Jazyk PROLOG vs. umělá inteligence. Základní úlohy strojového učení a metriky pro určování kvality. Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání, Gaussovský model, jeho interpretace a trénování, lineární a logistická regrese, support vector machines. Neuronové sítě - základní stavební bloky, principy učení, praktická práce s "hlubokými" NN, sekvenční varianty NN. Aplikace AI.
Jazyk výuky
Počet kreditů
Garant předmětu
Zajišťuje ústav
Výsledky učení předmětu
Studenti:
- se seznámí se základním názvoslovovím v oblasti strojového učení s důrazem na moderní neuronové sítě
- porozumí vztahu mezi úlohou, modelem a procesem učení
- si připomenou klasické metody umělé inteligence založené na prohledávání a získají představu o jejich kombinaci se strojovým učením
- se seznámí se základními modely strojového učení (guassovské modely, gaussovské klasifikátory, lineární regrese, logistická regrese)
- se seznámí s moderními neuronovými sítěmi pro řešení různých druhů úloh (klasifikace, regrese, úlohy v prostředích s posilovaným učením) nad různými druhy dat (nestrukturovanými, obrazovými, textovými, zvukovými) a s metodami jejich učení
Způsob a kritéria hodnocení
- půlsemestrální zkouška (20b)
- odevzdání projektu (20b)
- semestrální zkouška 60b, nutno absolvovat nejméně na 20b.
Učební cíle
Doporučená literatura
Ertel, W.: Introduction to Artificial Intelligence, Springer, second edition 2017, ISSN 1863-7310
Goodfellow, I., Bengio, Y., Courville, A.: Deep Learning. MIT Press, 2016.
Russel,S., Norvig,P.: Artificial Intelligence, Prentice-Hall, Inc., third edition 2010, ISBN 0-13-604259-7
Zařazení předmětu ve studijních plánech
- Program MITAI magisterský navazující
specializace NADE , 1 ročník, zimní semestr, povinný
specializace NBIO , 1 ročník, zimní semestr, povinný
specializace NCPS , 1 ročník, zimní semestr, povinný
specializace NEMB , 0 ročník, zimní semestr, povinný
specializace NGRI , 0 ročník, zimní semestr, povinný
specializace NHPC , 0 ročník, zimní semestr, povinný
specializace NIDE , 1 ročník, zimní semestr, povinný
specializace NISD , 1 ročník, zimní semestr, povinný
specializace NMAL , 1 ročník, zimní semestr, povinný
specializace NMAT , 0 ročník, zimní semestr, povinný
specializace NNET , 1 ročník, zimní semestr, povinný
specializace NSEC , 0 ročník, zimní semestr, povinný
specializace NSEN , 1 ročník, zimní semestr, povinný
specializace NSPE , 1 ročník, zimní semestr, povinný
specializace NVER , 0 ročník, zimní semestr, povinný
specializace NVIZ , 1 ročník, zimní semestr, povinný
specializace NISY do 2020/21 , 0 ročník, zimní semestr, povinný
specializace NISY , 0 ročník, zimní semestr, povinný
Typ (způsob) výuky
Přednáška
Vyučující / Lektor
Osnova
- Úvod do umělé inteligence, strojového učení a jejich vzájemný vztah
- Prohledávání stavového prostoru, hraní her
- Základní úlohy strojového učení - detekce, klasifikace, regrese, predikce, rozpoznávání sekvencí, metriky pro určování kvality.
- Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning.
- Pravděpodobnostní přístup ke klasifikaci a rozpoznávání - základy Bayesovské teorie.
- Gaussovský model, jeho interpretace a trénování, PCA.
- Lineární a logistická regrese, Support vector machines - základní formulace a kernel trick.
- Neuronové sítě - základní stavební bloky, principy učení.
- Praktická práce s hlubokými NN - mini-batch, normalizace, regularizace, randomizace, data augmentation.
- Sekvenční varianty NN: RNN, LSTM, BLSTM, autoencoders, attention models, využití NN embeddings
- Posilované učení s neuronovými sítěmi i bez nich
- Znalosti, usuzování, plánování
- Aplikace AI 1.
Cvičení odborného základu
Vyučující / Lektor
Osnova
Projekt
Vyučující / Lektor
Osnova