Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2019/2020

Artificial Intelligence

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
BE3M33UI Z,ZK 6 2P+2C
Korekvizita:
Safety in Electrical Engineering for a master´s degree (BEEZM)
Předmět nesmí být zapsán současně s:
Umělá inteligence (A3M33UI)
Umělá inteligence (B3M33UI)
Předmět je náhradou za:
Umělá inteligence (A3M33UI)
Umělá inteligence (B3M33UI)
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra kybernetiky
Anotace:

The course deepens and enriches knowledge of AI gained in the bachelor course Cybernetics and Artificial Intelligence. Students will get an overview of other methods used in AI, and will get a hands-on experience with some of them. They will master other required abilities to build intelligent agents. By applying new models, they will reiterate the basic principles of machine learning, techniques to evaluate models, and methods for overfitting prevention. They will learn about planning and scheduling tasks, and about methods used to solve them. Student will also get ackquainted with the basics of probabilistic graphical models, Bayesian networks and Markov models, and will learn their applications. Part of the course will introduce students to the area of again populat neural networks, with an emphasis to new methods for deep learning.

Požadavky:

Topics covered by course B3B33KUI.

Osnova přednášek:

1. The relation of artificial intelligence, pattern recognition, learning and robotics. Decision tasks, Empirical learning.

2. Linear methods for classification and regression.

3. Non-linear models. Feature space straightening. Overfitting.

4. Nearest neighbors. Kernel functions, SVM. Decision trees.

5. Bagging. Adaboost. Random forests.

6. Graphical models. Bayesian networks.

7. Markov statistical models. Markov chains.

8. Expectation-Maximization algorithm.

9. Planning. Planning problem representations. Planning methods.

10. Scheduling. Local search.

11. Neural networks. Basic models and methods, error backpropagation.

12. Special neural networks. Deep learning.

13. Constraint satisfaction problems.

14. Evolutionary algorithms..

Osnova cvičení:

Students will solve practical tasks. They will get experience with chosen packages for machine learning, graphical models, neural networks, etc. and will implement parts of algorithms themselves.

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
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 18. 10. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet4682206.html