Detail předmětu
Umělá inteligence
FSI-RAIAk. rok: 2024/2025
Kurz seznamuje se základními přístupy používanými v oblasti umělé inteligence, zahrnuje základy prohledávání stavového prostoru, stochastické optimalizace a strojového učení, především umělých neuronových sítí včetně konvolučních. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů s využitím odpovídajících nástrojů (Matlab, TensorFlow).
Jazyk výuky
čeština
Počet kreditů
5
Garant předmětu
Zajišťuje ústav
Vstupní znalosti
Předpokládá se znalost vektorového a maticového počtu, schopnost algoritmizace a implementace v prostředí Matlab / Python.
Pravidla hodnocení a ukončení předmětu
Předmět je hodnocen na základě vypracovaného funkčního softwarového projektu, který používá některou z probíraných implementací metod umělé inteligence. Projekt je nutno odevzdat ve formě zprávy popisující řešenou úlohu a příslušných zdrojových kódů. Projekt je nutno představit spolužákům ve třídě formou krátké prezentace.
Účast na přednáškách je žádoucí, na cvičeních povinná. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.
Účast na přednáškách je žádoucí, na cvičeních povinná. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.
Učební cíle
Pochopení základních metod umělé inteligence a schopnost jejich aplikace na řešení inženýrských úloh.
Student získá přehled aktuálně používaných metod v oblasti umělé inteligence, které bude schopen aplikovat na řešení úloh technické praxe.
Student získá přehled aktuálně používaných metod v oblasti umělé inteligence, které bude schopen aplikovat na řešení úloh technické praxe.
Základní literatura
Mařík a kol.: Umělá inteligence (1-6), Academia (CS)
Doporučená literatura
Hope T.: Learning TensorFlow: A Guide to Building Deep Learning Systems, O'Reilly Media, 2017 (EN)
Elearning
eLearning: aktuální otevřený kurz
Zařazení předmětu ve studijních plánech
Typ (způsob) výuky
Přednáška
26 hod., nepovinná
Vyučující / Lektor
Osnova
1. Úvod, oblasti umělé inteligence.
2. Prohledávání stavového prostoru - úvod.
3. Neinformované a informované metody prohledávání stavového prostoru.
4. Teorie her – min/max algoritmus
5. Evoluční metody prohledávání stavového prostoru.
6. Základní paradigmata neuronových sítí
7. Učení s učitelem, učení bez učitele.
8. Metoda zpětného šíření.
9. Aproximace versus klasifikace.
10. Konvoluční neuronové sítě - úvod
11. Konvoluční neuronové sítě – topologie, konvoluční a poolingová vstva
12. Zpětnovazební učení
13. Q-učení
2. Prohledávání stavového prostoru - úvod.
3. Neinformované a informované metody prohledávání stavového prostoru.
4. Teorie her – min/max algoritmus
5. Evoluční metody prohledávání stavového prostoru.
6. Základní paradigmata neuronových sítí
7. Učení s učitelem, učení bez učitele.
8. Metoda zpětného šíření.
9. Aproximace versus klasifikace.
10. Konvoluční neuronové sítě - úvod
11. Konvoluční neuronové sítě – topologie, konvoluční a poolingová vstva
12. Zpětnovazební učení
13. Q-učení
Cvičení s počítačovou podporou
26 hod., povinná
Vyučující / Lektor
Osnova
1. Základní nástroje: Matlab, Python, Tensor Flow, Keras.
2. Implementace prohledávání do šířky, do hloubky
3. Dijkstrův algoritmus, A-star algoritmus
4. Min-max algoritmus
5. Implementace genetického algoritmu
6. Vrstvené sítě, Neural Network Toolbox
7. Vrstvené sítě – příklady
8. Konvoluční neuronová síť – Tensor Flow
9. Zpětnovazební učení a Q-učení
10. Práce na projektu, konzultace projektu
11. Práce na projektu, konzultace projektu
12. Práce na projektu, konzultace projektu
13. Prezentace projektu
2. Implementace prohledávání do šířky, do hloubky
3. Dijkstrův algoritmus, A-star algoritmus
4. Min-max algoritmus
5. Implementace genetického algoritmu
6. Vrstvené sítě, Neural Network Toolbox
7. Vrstvené sítě – příklady
8. Konvoluční neuronová síť – Tensor Flow
9. Zpětnovazební učení a Q-učení
10. Práce na projektu, konzultace projektu
11. Práce na projektu, konzultace projektu
12. Práce na projektu, konzultace projektu
13. Prezentace projektu
Elearning
eLearning: aktuální otevřený kurz