Detail předmětu

Implementace algoritmů umělé inteligence

FSI-SALAk. rok: 2025/2026

Kurz je věnován algoritmům umělé inteligence po stránce teoretické i praktické. V rámci výuky se studenti seznámí s teoretickým matematickým pozadím jednotlivých oblastí metod a poté je implementují. Jako programovací prostředí se používá Matlab a některé implementace budou prezentovány v Pythonu.

První část kurzu zahranuje metody strojového učení - kNN, Support Vector Machine, rozhodovací stromy. V druhé části se probírají různé neuronové sítě, deep learning a komplexnější R-CNN a autoenkodéry. Studenti se naučí vytvořit vlastní trénovací a testovací data, sestavit vhodné vrstvy například konvoluční neuronové sítě, provést validaci a zhodnocení výsledků. 

V rámci kurzu jsou také zvané přednášky týkající se analýzy jazyka pomocí neuronových sítí. 

Jazyk výuky

čeština

Počet kreditů

4

Garant předmětu

prof. RNDr. Miloslav Druckmüller, CSc.

Zajišťuje ústav

Ústav matematiky (ÚM)

Vstupní znalosti

Základy programování v Matlabu.

Statistické metody.

Pravidla hodnocení a ukončení předmětu

Klasifikovaný zápočet na základě odevzdání semestrální práce (70 procent) a ústního zkoušení probrané teorie (30 procent).


Účast na výuce je povinná, v případě absence je nutné vypracovat náhradní úkoly.

Učební cíle

Cílem kurzu je seznámit studenty s matematickou podstatou metod umělé inteligence a také je naučit tyto metody implementovat s pochopením. 

Oblasti, kterým se výuka bude věnovat a které studenti nastudují a naprogramují:

1. Metoda nejbližších sousedů, rozhodovací stromy, Support Vector Machine.

2. Výstavba neuronové sítě pro trénování na tabulkových datech.

3. Konvoluční neuronové sítě pro práci s obrazovými daty. 

4. Regional CNN, YOLO pro detekci určitých objektů v obrazech.

5. Autoenkodéry a dekodéry.

Studijní opory

Materiály zveřejněny na e-learningu.

Základní literatura

Druckmüller, M.: Technické aplikace vícehodnotové logiky, PC- DIR , Brno 1998 (CS)
GURNEY, Kevin. An Introduction to Neural Networks. Florida, USA: CRC Press, 1997. ISBN 13 978-1857285031. (EN)
Neural Networks and Deep Learning. Online. Michael Nielsen, 2015. Dostupné z: http://neuralnetworksanddeeplearning.com/. [cit. 2023-10-30]. (EN)
KIM, Phil. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. Berkeley, CA: Apress, 2017. ISBN 978-1-4842-2845-6. (EN)

Doporučená literatura

Neural Networks and Deep Learning. Online. Michael Nielsen, 2015. Dostupné z: http://neuralnetworksanddeeplearning.com/. [cit. 2023-10-30]. (EN)

Zařazení předmětu ve studijních plánech

  • Program N-MAI-P magisterský navazující 1 ročník, letní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., povinná

Vyučující / Lektor

prof. RNDr. Miloslav Druckmüller, CSc.

Osnova

1. Návaznost metod umělé inteligence na expertní systémy.

2.-3. Metody strojového učení (kNN, rozhodovací stromy, SVM, atp.).

4.-5. Základní tvorba neuronových sítí pro tabulková data, vysvětlení šíření chyby a trénování, back-propagation.

6.-7. Konvoluční neuronové sítě (konvoluce, pooling, batch normalization).

8. Autoenkodéry a dekodéry.

9. Využití předtrénovaných knihoven - struktura, implementace

10. R-CNN, YOLO (konvoluční neuronová síť pro vyhledávání v obrazech), transformery

11.-12. Práce na semestrálním projektu, konzultace.

13. Prezentace závěrečných projektů, hodnocení.

Cvičení s počítačovou podporou

13 hod., povinná

Vyučující / Lektor

prof. RNDr. Miloslav Druckmüller, CSc.

Osnova

Cvičení budou v softwaru Matlab nebo programovány v Pythonu s použitím knihoven scikit-learn, pandas, keras, pytorch.

1. Návrh expertního systému v Matlabu (propojení s fuzzy logikou).

2.-3.  Implementace metod kNN, decision trees, SVM na různá data. Testovací a validační data. 

4.-5. Návrh neuronových sítí pro predikci na daných datech (např. lékařská data, ekonomické ukazatele, atp.)

6.-7. Zpracování obrazových databází pro tvorbu konvolučních neuronových sítí (rozpoznání ručně psaných číslic, geometrických tvarů, zvířat).

8. Autoenkodéry a dekodéry - implementace pro odstranění šumu, vyhledávání v obrazech, snížení dimenzionality dat.

9. Předtrénované CNN - ResNet, GoogleNet 

10. R-CNN, YOLO na reálných datech. 

11.-12. Konzultace k semestrálnímu projektu

13. Prezentace, vyhodnocení práce.