Implementace algoritmů umělé inteligence (FSI-SAL)

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. R-CNN pro detekci určitého objektu v obrazech.

5. Autoenkodéry a dekodéry.

Základy programování v Matlabu.

Statistické metody.

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. 

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 back-propagation.

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

7. Autoenkodéry a dekodéry.

8.- 9. Zvaná přednáška na zpracování přirozeného jazyka, chatboti. 

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

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

13. Prezentace závěrečných projektů, hodnocení.

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

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

8.-9. Návrh chatbota, práce s ChatGPT.

10. R-CNN na reálných datech. 

11.-12. Konzultace k semestrálnímu projektu

13. Prezentace, vyhodnocení práce. 

KIM, Phil. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. Berkeley, CA: Apress, 2017. ISBN 978-1-4842-2845-6.

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