Detail předmětu

Umělá inteligence

FSI-RAIAk. rok: 2025/2026

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

doc. Ing. Jiří Krejsa, Ph.D.

Zajišťuje ústav

Ústav mechaniky těles, mechatroniky a biomechaniky (ÚMTMB)

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.

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.

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)

Zařazení předmětu ve studijních plánech

  • Program N-MET-P magisterský navazující 1 ročník, letní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Jiří Krejsa, Ph.D.

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

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

doc. Ing. Jiří Krejsa, Ph.D.

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