Kybernetika a umělá inteligence
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
B3B33KUI | Z,ZK | 6 | 2P+2C | česky |
- Korekvizita:
- 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:
- Tomáš Svoboda (gar.), Matěj Hoffmann
- Cvičící:
- Tomáš Svoboda (gar.), Matěj Hoffmann, Jana Kostlivá, Petr Pošík, Zdeněk Straka, Petr Švarný
- 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:
-
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.
- 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:
- Další informace:
- http://cw.fel.cvut.cz/wiki/courses/b3b33kui/start
- Rozvrh na zimní semestr 2020/2021:
- Rozvrh není připraven
- Rozvrh na letní semestr 2020/2021:
-
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:
-
- Kybernetika a Robotika 2016 (povinný předmět programu)
- Lékařská elektronika a bioinformatika (povinně volitelný předmět)
- Kybernetika a Robotika 2021 (povinný předmět programu)