Umělá inteligence (FSI-RAI)

Akademický rok 2021/2022
Garant: doc. Ing. Jiří Krejsa, Ph.D.  
Garantující pracoviště: ÚMTMB všechny předměty garantované tímto pracovištěm
Jazyk výuky: čeština
Cíle předmětu:
Pochopení základních metod umělé inteligence a schopnost jejich aplikace na řešení inženýrských úloh.
Výstupy studia a kompetence:
Student získá přehled aktuálně používaných metod v oblasti umělé inteligence, které bude schopen aplikovat na řešení úloh technické praxe.
Prerekvizity:
Předpokládá se znalost vektorového a maticového počtu, schopnost algoritmizace a implementace v prostředí Matlab / Python.
Obsah předmětu (anotace):
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).
Metody vyučování:
Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny. Cvičení je zaměřeno na praktické zvládnutí látky probrané na přednáškách formou implementace zvolených metod v prostředí Matlab / Python.
Způsob a kritéria hodnocení:
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.
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky:
Účast na přednáškách je žádoucí, na cvičeních povinná. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.
Typ (způsob) výuky:
    Přednáška  13 × 2 hod. nepovinná                  
    Cvičení s počítačovou podporou  13 × 2 hod. povinná                  
Osnova:
    Přednáška 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 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
Literatura - základní:
1. Mařík a kol.: Umělá inteligence (1-6), Academia
Literatura - doporučená:
1. Hope T.: Learning TensorFlow: A Guide to Building Deep Learning Systems, O'Reilly Media, 2017
Zařazení předmětu ve studijních programech:
Program Forma Obor Spec. Typ ukončení   Kredity     Povinnost     St.     Roč.     Semestr  
N-MET-P prezenční studium --- bez specializace -- zá,zk 5 Povinný 2 1 L