|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KRP / BMLAI
:
Popis předmětu
Pracoviště / Zkratka
|
KRP
/
BMLAI
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Machine Learning & AI
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
4
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
1
[HOD/TYD]
Cvičení
1
[HOD/TYD]
Seminář
1
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
0 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Letní semestr
|
Vyučovaný semestr
|
Letní semestr
|
Minimum (B + C) studentů
|
nestanoveno
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
0
|
Hodnotící stupnice |
A|B|C|D|E|F |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ne
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
A|B|C|D|E|F |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
Nejsou definovány
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
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.
|
Požadavky na studenta
|
-
|
Obsah
|
1. Úvod do umělé inteligence, strojového učení, základní pojmy, programovací jazyky a frameworky a moduly. 2. Základní úlohy strojového učení - detekce, klasifikace, regrese, predikce, metriky pro určování kvality. 3. Základní modely pro strojové učení, učení s učitelem, vnucené učení. 4. Dekorelace dat, analýza hlavních komponent. 5. Lineární regrese, metoda podpůrných vektorů. 6. Dopředné neuronové sítě, TensorFlow, Keras, PyTorch. 7. Hluboké neuronové sítě. 8. Plně konvoluční neuronové sítě. 9. Hardwarová akcelerace neuronových sítí. 10. Prohledávání stavového prostoru - neinformované metody. 11. Prohledávání stavového prostoru - informované metody. 12. Teorie her, hraní her. 13. Hrozby a příležitosti umělé inteligence.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
|
Předpoklady - další informace k podmíněnosti studia předmětu |
- |
Získané způsobilosti |
- |
Vyučovací metody |
-
|
Hodnotící metody |
-
|
|
|
|