Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2018/2019

Umělá inteligence

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
B3M33UI Z,ZK 6 2p+2c česky
Korekvizita:
Bezpečnost práce v elektrotechnice pro magistry (BEZM)
Předmět nesmí být zapsán současně s:
Artificial Intelligence (AE3M33UI)
Umělá inteligence (A3M33UI)
Artificial Intelligence (BE3M33UI)
Předmět je náhradou za:
Umělá inteligence (A3M33UI)
Přednášející:
Petr Pošík (gar.), Radek Mařík
Cvičící:
Petr Pošík (gar.), Jiří Spilka
Předmět zajišťuje:
katedra kybernetiky
Anotace:

Předmět doplní a rozšíří znalosti Umělé inteligence získané v předmětu KUI; studenti získají jednak přehled o dalších často využívaných metodách UI, tak i praktickou zkušenost s jejich použitím, a osvojí si další dovednosti nutné k tvorbě inteligentních agentů. Na nových modelech si zopakují základní principy strojového učení, způsob hodnocení modelů i metody bránící přeučení. Dozví se o úlohách typu plánování a rozvrhování a o metodách, jimiž se tyto problémy řeší. Naučí se základům grafických pravděpodobnostních modelů, Bayesovských sítí a Markovských statistických modelů, a poznají jejich aplikace. Část předmětu studentům poskytne také úvod do znovu populárních neuronových sítí se zvláštním ohledem na nové metody pro tzv. hluboké učení.

Požadavky:

Znalost témat v rozsahu předmětu B3B33KUI.

Osnova přednášek:

1. Vztah UI, rozpoznávání, učení a robotiky. Úloha rozhodování. Empirické učení.

2. Lineární modely pro regresi a klasifikaci.

3. Nelineární modely. Vyrovnání příznakového prostoru. Přeučení.

4. Metoda nejbližších sousedů. Jádrové funkce. SVM. Rozhodovací stromy.

5. Bagging. Adaboost. Náhodné lesy.

6. Grafické modely. Bayesovské sítě.

7. Markovské statistické modely. Markovské řetězy.

8. Algoritmus Expectation-Maximization.

9. Plánování. Reprezentace plánovacího problému. Metody.

10. Rozvrhování. Lokální prohledávání.

11. Neuronové sítě, základní metody, zpětné šíření chyby.

12. Další neuronové sítě. Deep learning.

13. Úloha splňování omezení (CSP).

14. Evoluční algoritmy.

Osnova cvičení:

Ve cvičeních studenti budou řešit praktické úkoly. Získají praxi ve využití vybraných balíků pro strojové učení, grafické modely, neuronové sítě, atd. a budou sami implementovat části algoritmů.

Cíle studia:
Studijní materiály:

S. Russel, P. Norvig: Artificial Intelligence - A Modern Approach, 3rd ed., 2010

C.M. Bishop: Pattern Recognition and Machine Learning, 2006

Poznámka:
Další informace:
https://cw.fel.cvut.cz/wiki/courses/ui/start
Rozvrh na zimní semestr 2018/2019:
Rozvrh není připraven
Rozvrh na letní semestr 2018/2019:
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
místnost KN:E-301
Pošík P.
Mařík R.

12:45–14:15
(přednášková par. 1)
Karlovo nám.
Šrámkova posluchárna K9
místnost KN:E-230
Spilka J.
16:15–17:45
(přednášková par. 1
paralelka 101)

Karlovo nám.
Laboratoř PC
místnost KN:E-230
Pošík P.
14:30–16:00
(přednášková par. 1
paralelka 102)

Karlovo nám.
Laboratoř PC
St
Čt

Předmět je součástí následujících studijních plánů:
Platnost dat k 17. 8. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet4678306.html