|
Vyučující
|
-
Pozdílek Martin, Ing. Ph.D.
|
|
Obsah předmětu
|
Přednášky 1. Úvod do umělé inteligence, strojového učení, základní pojmy, přístupy, úlohy a modely strojového učení 2. Příprava a analýza datových sad pro strojové učení 3. Lineární regrese 4. Dekorelace dat, analýza hlavních komponent (PCA), metriky pro určování kvality modelu 5. Klasifikace, metoda podpůrných vektorů (SVM), k-means 6. Prohledávání stavového prostoru - formulace problému, reprezentace v počítači 7. Prohledávání stavového prostoru - neinformované metody, informované metody 8. Teorie her, hraní her 9. Dopředné neuronové sítě, TensorFlow, Keras, PyTorch, hardwarová akcelerace neuronových sítí 10. Hluboké neuronové sítě, backpropagation algoritmus 11. Plně konvoluční neuronové sítě 12. Rekurentní neuronové sítě 13. Hrozby a příležitosti umělé inteligence Cvičení 1. Úvod do pythonu a jupyter notebook 2. Statistická analýza datasetu 3. Lineární regrese 4. Analýza hlavních komponent 5. kmeans, SVM 6. Stavový prostor 7. Prohledávání stavového prostoru 8. Teorie her, piškvorky 9. Umělá neuronová síť 10. Klasifikace v ANN 11. Konvoluční ANN 12. Rekurentní ANN 13. Turnaj v reversi
|
|
Studijní aktivity a metody výuky
|
Monologická (výklad, přednáška, instruktáž), Dialogická (diskuze, rozhovor, brainstorming), Demonstrace, Nácvik dovedností, Pracovní činnosti
- Semestrální práce
- 24 hodin za semestr
- Domácí příprava na výuku
- 32 hodin za semestr
- Kontaktní výuka
- 13 hodin za semestr
- Praktická výuka
- 26 hodin za semestr
- Příprava na zkoušku
- 25 hodin za semestr
|
|
Výstupy z učení
|
Cílem předmětu je seznámit studenty se základními aspekty strojového učení a uměle inteligence, podat přehled softwarových nástrojů pro řešení typických úloh strojového učení a naučit studenty pomocí základních modelů strojového učení a umělé inteligence navrhovat a vytvářet řešení inženýrských problémů. Studenti po absolvování předmětu prokazují znalosti, schopnosti a dovednosti umožňující samostatně tvůrčím způsobem řešit inženýrské problémy pomocí základních modelů strojového učení a umělé inteligence.
Předmět si klade za cíl seznámit studenty s možnostmi praktického využití matematických modelů v praxi. Důraz je přitom kladen zejména na pochopení hlavních myšlenek matematických metod a schopnost studentů řešit praktické problémy samostatně s využitím vhodného softwaru.
|
|
Předpoklady
|
nespecifikováno
|
|
Hodnoticí metody a kritéria
|
nespecifikováno
Písemná, ústní, vyhodnocení zadané praktické práce Zápočet Splnění 12 ze 18 úkolů zadaných na cvičení Zkouška Vytvoření AI projektu na jednu z typických úloh umělé inteligence a úspěšná obhajoba projektu
|
|
Doporučená literatura
|
-
BURKOV, Andriy. The Hundred-Page Machine Learning Book. 2019. ISBN 978-19-995-7950-0.
-
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Praha: Grada Publishing, 2019. ISBN 978-80-247-3100-1.
-
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, j. Umělá inteligence 1. Praha: Academia, 2004. ISBN 80-200-0496-3.
-
MAŘÍK, Vladimír, Olga ŠTĚPÁNKOVÁ a Jiří LAŽANSKÝ. Umělá inteligence 3. Praha: Academia, 2001. ISBN 80-200-0472-6.
-
MAŘÍK, Vladimír, Olga ŠTĚPÁNKOVÁ a Jiří LAŽANSKÝ. Umělá inteligence 4. Praha: Academia, 2003. ISBN 80-200-1044-0.
-
MAŘÍK, Vladimír, Olga ŠTĚPÁNKOVÁ a Jiří LAŽANSKÝ. Umělá inteligence 5. Praha. 2007.
|