Kybernetika a umělá inteligence

Předmět není vypsán Nerozvrhuje se

Kód	Zakončení	Kredity	Rozsah	Jazyk výuky
B3B33KUI	Z,ZK	6	2P+2C	česky

Korekvizita:

Bezpečnost práce v elektrotechnice pro bakaláře (BEZB)
Základní školení BOZP (BEZZ)

Předmět nesmí být zapsán současně s:

Kybernetika a umělá inteligence (A3B33KUI)
Cybernetics and Artificial Intelligence (AE3B33KUI)
Cybernetics and Artificial Intelligence (BE5B33KUI)

Předmět je náhradou za:

Kybernetika a umělá inteligence (A3B33KUI)

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra kybernetiky

Anotace:

Předmět dodá bakalářským studentům základ v oblasti umělé inteligence a kybernetiky nezbytný pro návrh algoritmů pro řízení strojů. Rozšiřuje znalost algoritmů prohledávání stavového prostoru včetně prohledávání za neurčitosti. S kybernetikou je provázán prostřednictvím posilovaného učení (reinforcement learning), které v dnešní době například v robotice doplňuje či dokonce nahrazuje (polo)ruční identifikaci systému. Problematika strojového učení z dat (s učitelem) je vysvětlena na příkladu příznakového rozpoznávání, učení lineárního klasifikátoru. Student procvičí látku v praktických programovacích úlohách.

Požadavky:

Předpokládá se základní znalosti pravděpodobnosti a lineární algebry. Od studenta se očekává, že je schopen samostatně implementovat/programovat programy spíše menšího rozsahu a zná základní datové struktury. V počítačových cvičeních bude používán převážně Python.

Osnova přednášek:

1. Úvod. Co je umělá inteligence a co kybernetika.

2. Řešení problémů prohledáváním. Stavový prostor.

3. Informované prohledávání

4. Herní algoritmy. Prohledávání ve hrách více hráčů.

5. Prohledávání za neurčitosti. Markovské rozhodovací procesy I

6. Markovské rozhodovací procesy II

7. Posilované učení I. Písemka.

8. Posilované učení II

9. Rozhodování za neurčitosti. Bayesovská úloha.

10. Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti

11. Empirické hodnocení klasifikátorů. Lineární klasifikátor.

12. Učení lineárního klasifikátoru, perceptron.

13. Učení bez učitele. Metoda hlavních směrů. Metoda k-průměrů.

14. Rezerva

Osnova cvičení:

Studenti během cvičení a domácí práce naprogramují několik základních algoritmů. Důraz bude kladen na techniku

ověření funkčnosti a výkonu implementace. V úloze implementace klasifikátoru bude diskutována problematika

testovacích a trénovacích dat, křížové validace a ROC křivky. U některých úloh bude požadovaná krátká technická

zpráva.

Cíle studia:

Studijní materiály:

Knihu [AIMA] silně doporučujeme. Pro vykládanou látku jsou relevantní především kapitoly 3-6 (prohledávání, herní

algoritmy), 16-17 (prohledávání a rozhodování za neurčitosti) a 21 (posilované učení). Lze ji u mnohých témat nahradit

vybraným on-line materiálem ? odkaz bude u jednotlivých přednášek. Pro část statistického rozpoznávání doporučujeme

buď [DHS] nebo [Bishop]. Jako základní výchozí bod může posloužit i [AIMA], části kapitol 18 a 20. Všechny zmíněné

knihy najdou použití i v dalších předmětech dotýkajících se tématu umělé inteligence a rozhodování. Studentům tedy

tuto větší jednorázovou investici velmi doporučujeme.

[AIMA] Stuart J. Russel and Peter Norvig. Artificial Intelligence, a Modern Approach. 3rd edition, 2010 (vybrané

kapitoly)

[DHS] Richard O. Duda, Peter E. Hart, David G. Stork. Pattern Classification, 2nd edition. 2000

[Bishop] Christopher M. Bishop. Pattern Recognition and Machine Learning. 2006

Poznámka:

http://cw.fel.cvut.cz/wiki/courses/b3b33kui/start

Další informace:

http://cw.fel.cvut.cz/wiki/courses/b3b33kui/start

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

Kybernetika a Robotika 2016 (povinný předmět programu)