Systémy s umělou inteligencí
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
A7B33SUI | Z,ZK | 6 | 2+2c | česky |
- Předmět je náhradou za:
- Základy umělé inteligence (Y33ZUI)
- Přednášející:
- Kamil Matoušek (gar.), Jiří Kléma, Petr Křemen, Jiří Kubalík
- Cvičící:
- Kamil Matoušek (gar.), Matěj Holec, Jiří Kléma, Petr Křemen, Jiří Kubalík
- Předmět zajišťuje:
- katedra kybernetiky
- Anotace:
-
Náplní předmětu je seznámení studentů se základními cíli umělé inteligence, jejími klíčovými metodami a příklady nejčastějších praktických aplikací. Předmět poskytne přehled základních technik tvorby obecných inteligentních systémů a představí jejich vybrané konkrétní zástupce. Probrány budou metody prohledávání stavového prostoru, znalosti a jejich reprezentace, automatizované logické uvažování s případnou nejistotou, strojové učení, distribuovaná umělá inteligence nebo evoluční algoritmy. V praktické části se studenti seznámí s aplikacemi znalostních, multiagentních či robotických systémů i dolování dat. Stránky předmětu pro aktuální semestr naleznete na adrese https://cw.felk.cvut.cz/doku.php/courses/a7b33sui/start.
- Požadavky:
-
Předmět předpokládá u studentů předchozí znalost matematické teorie pravděpodobnosti. Další informace jsou dostupné zde: https://cw.felk.cvut.cz/doku.php/courses/a7b33sui/start.
- Osnova přednášek:
-
1. Cíle umělé inteligence. Stavový prostor a řešení úloh prohledáváním.
2. Neinformované a informované metody prohledávání stavového prostoru.
3. Evoluční algoritmy a umělý život.
4. Znalosti, jejich získávání a reprezentace. Znalostní inženýrství, management znalostí.
5. Znalostní a expertní systémy. Pravděpodobnostní reprezentace neurčitosti a uvažování s nejistotou.
6. Fuzzy logika, bayesovské sítě.
7. Posibilistická teorie, Dempster-Shaferova teorie.
8. Sémantické sítě a rámce, ontologie. Topic maps. Konceptuální grafy, sémantické anotace elektronických zdrojů.
9. Deskripční logika, inference. Sémantický web - XML, RDF, OWL a SWRL.
10. Adaptivní a učící se algoritmy.
11. Učení z příkladů - základní metody.
12. Aplikace umělé inteligence: expertní a multiagentní systémy, robotika, dolování biologických a průmyslových dat.13. Rezerva.
- Osnova cvičení:
-
1. Řešení jednoduchých úloh.
2. Řešení úloh ve stavovém prostoru - neinformované metody, informované metody.
3. Evoluční systémy jako nástroj optimalizace - demo
4. Samostatná práce.
5. Prezentace a odevzdání úlohy prohledávání stavového prostoru.
6. Expertní systémy - FELexpert - úvod.
7. Expertní systémy - FELexpert - řešení úlohy.
8. Ontologie - návrh.
9. Ontologie - implementace (Protege, SWOOP).
10. Strojové učení - práce s nástrojem WEKA.
11. Řešení úloh strojového učení - učení z příkladů.
12. Prezentace a odevzdání úlohy - učení a optimalizace.
13. Zápočty. Rezerva.
- Cíle studia:
-
Cíli studia jsou: - seznámení se se základními cíli umělé inteligence, jejími klíčovými metodami a příklady nejčastějších praktických aplikací,
- získání přehledu základních technik tvorby obecných inteligentních systémů a
- získání praktických zkušeností s aplikacemi řešení úloh, znalostních systémů, strojového učení a optimalizace.
- Studijní materiály:
-
1. Mařík, V., Štěpánková, O., Lažanský, J.: Umělá inteligence (2). Praha, Academia, 1997
2. Mařík, V., Štěpánková, O., Lažanský, J.: Umělá inteligence (4). Praha, Academia, 2001
3. XML Tutorial, http://www.w3schools.com/xml/
4. Sean Bechhofer, Ian Horrocks and Peter F. Patel-Schneider: „Tutorial on OWL“, http://www.cs.man.ac.uk/~horrocks/ISWC2003/Tutorial/
- Poznámka:
- Rozvrh na zimní semestr 2011/2012:
- Rozvrh není připraven
- Rozvrh na letní semestr 2011/2012:
-
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po Út St Čt Pá - Předmět je součástí následujících studijních plánů:
-
- Inteligentní systémy (STM-A7B-prechodné) (povinný předmět oboru)
- Inteligentní systémy (STM-A7B) (povinný předmět oboru)