Detail předmětu

Umělá inteligence

FEKT-BPC-UINAk. rok: 2025/2026

Předmět je zaměřen na vysvětlení základních metod/oblastí spadající do umělé inteligence - metody učení umělých neuronových sítí a jejich aplikace, tvorba báze znalostí, struktura a činnost znalostních systémů, zpracování optické informace.

Jazyk výuky

čeština

Počet kreditů

Garant předmětu

prof. Ing. Radomil Matoušek, Ph.D.

Zajišťuje ústav

Ústav automatizace a měřicí techniky (UAMT)

Vstupní znalosti

Vyžadují se základní znalosti lineární algebry, algoritmizace a statistiky.

Pravidla hodnocení a ukončení předmětu

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.

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

Učební cíle

Cílem předmětu je vysvětlit studentům základní terminologii (AI, ANI, ML, AGI, ASI, …) v oblasti umělá inteligence. Důraz je kladen na oblast umělých neuronových sítí (ANN, DNN, CNN), znalostních systémů a strojového vidění.
Absolvent předmětu by měl být schopen:
- vysvětlit pojem umělá inteligence z pohledu její aplikace v technických zařízení,
- 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.
- vysvětlit architekturu a funkčnost znalostních systémů,
- vytvořit bázi znalosti pro expertní systém NPSCORE,
- zvolit oblasti použití expertních systémů,
- aplikovat zpracování optické informace prostředky umělé inteligence

Základní literatura

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)

Doporučená literatura

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)

Zařazení předmětu ve studijních plánech

  • Program BPC-EMU bakalářský 3 ročník, zimní semestr, povinně volitelný
  • Program BPC-AMT bakalářský 3 ročník, zimní semestr, povinný

  • Program BPC-AUD bakalářský

    specializace AUDB-ZVUK , 0 ročník, zimní semestr, volitelný
    specializace AUDB-TECH , 0 ročník, zimní semestr, volitelný

  • Program BPC-EKT bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-IBE bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-MET bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-SEE bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-TLI bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-NCP bakalářský 0 ročník, zimní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., povinná

Vyučující / Lektor

prof. Ing. Radomil Matoušek, Ph.D.

Osnova

  1. Umělá inteligence (AI). Taxonomie, filozofie, právo, budoucnost.
  2. Stavový prostor. Neinformované a informované prohledávání. [Projekt 1].
  3. Metody hraní her. Min/Max algoritmus.
  4. Fuzzy přístupy a expertní systémy.
  5. Bio-Inspired algoritmy GA, DE, PSO a SWARM. [Projekt 2].
  6. Bio-Inspired algoritmy a kombinatorická optimalizace, Surrogate modely.
  7. Umělé neuronové sítě (ANN) – paradigma, perceptron, ADELINE.
  8. Topologicky organizované ANN (SOM, Kohonen) a RBF sítě – paradigma.
  9. Hluboké neuronové sítě (DNN) – paradigma, MLP, RBM, backpropagation atd. Autoencodery a jejich použití.
  10. DNN – Konvoluční neuronové sítě (CNN). Multi-klasifikace. [Projekt 3].
  11. DNN – Rekurentní neuronové sítě (RNN, LSTM, GRU), Encoder-decoder architektury.
  12. DNN – Generativní modely neuronových sítí. LLM. Transformery.
  13. Modely SNN, GNN (grafové), Modely Physics-Informed Neural Networks.

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

prof. Ing. Radomil Matoušek, Ph.D.

Osnova

  1. Cv.: Python základy, Matlab možnosti (základy programování).
  2. Cv.: A* na jednoduchém bludišti, vs. BFS/DFS. [Projekt 1]
  3. Cv.: Min/Max a Alfa-Beta prořezávání, Tic-Tac-Toe.
  4. Cv.: Fuzzy inferenční systém (Matlab). [Projekt 1 – obhajoba]
  5. Cv.: GA, DE, PSO: globální optimalizace (benchmarking, regulátor). [Projekt 2]
  6. Cv.: GA, HC12: kombinatorická optimalizace (TSP).
  7. Cv.: Lineární klasifikátor, Perceptron, XOR a EA učení.
  8. Cv.: Jednoduchý clustering (SOM). [Projekt 2 – obhajoba]
  9. Cv.: Aproximace dat (regrese).
  10. Cv.: (Keras/PyTorch) klasifikace 1/2 (MNIST). [Projekt 3]
  11. Cv.: (Keras/PyTorch) klasifikace 2/2 (ImageNet).
  12. Cv.: Práce s předtrénovaným LLM.
  13. Cv.: Kolloquium k projektům. [Projekt 3 – obhajoba]