Implementace algoritmů umělé inteligence (FSI-SAL)

Akademický rok 2025/2026
Garant: prof. RNDr. Miloslav Druckmüller, CSc.  
Garantující pracoviště: ÚM všechny předměty garantované tímto pracovištěm
Jazyk výuky: čeština
Cíle předmětu:

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.
Výstupy studia a kompetence:
 
Prerekvizity:
 
Obsah předmětu (anotace):
 
Metody vyučování:
 
Způsob a kritéria hodnocení:
 
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky:
 
Typ (způsob) výuky:
    Přednáška  13 × 2 hod. povinná                  
    Cvičení s počítačovou podporou  13 × 1 hod. povinná                  
Osnova:
    Přednáška

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

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. 
Literatura - základní:
1.

KIM, Phil. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence. Berkeley, CA: Apress, 2017. ISBN 978-1-4842-2845-6.
2. GURNEY, Kevin. An Introduction to Neural Networks. Florida, USA: CRC Press, 1997. ISBN 13 978-1857285031.
3.

Neural Networks and Deep Learning. Online. Michael Nielsen, 2015. Dostupné z: http://neuralnetworksanddeeplearning.com/. [cit. 2023-10-30].
4. Druckmüller, M.: Technické aplikace vícehodnotové logiky, PC- DIR , Brno 1998
Literatura - doporučená:
1. Neural Networks and Deep Learning. Online. Michael Nielsen, 2015. Dostupné z: http://neuralnetworksanddeeplearning.com/. [cit. 2023-10-30].
Zařazení předmětu ve studijních programech:
Program Forma Obor Spec. Typ ukončení   Kredity     Povinnost     St.     Roč.     Semestr  
N-MAI-P prezenční studium --- bez specializace -- kl 4 Volitelný 2 1 L