Umělá inteligence

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

ústav mechaniky, biomechaniky a mechatroniky

Anotace:

Úlohy a výzvy umělé inteligence (UI), historie UI, Turingova, Minského a Kotkova definice UI, přístupy matematické logiky. SW a HW prostředky pro rychlý vývoj a implementace UI, komerční vs. open-source nástroje, moderní trendy pro UI (CUDA, neuromorfní HW, cloudové technologie). Produkční systémy, reprezentace znalostí a expertní systémy, rekomendační systémy. UI založená na strojovém učení a zpracování dat, přehled nástrojů výpočetní inteligence pro UI. Klasifikace, rozhodovací stromy, stromové algoritmy, gradient boosting. Neuronové sítě (NS), rozdělení, základní pojmy a principy,mělké vs. hluboké NS (Deep Learning). Inkrementální a dávkové algoritmy strojového učení s učitelem, (Levenberg-Marquardt, konjugované gradienty, entropické kriteriální funkce). Lineární a polynomiální neuronové architektury, MLP, Extreme Machine Learning, Echo State NS. Třídění dat (clustering), samoorganizační NS (SOM). Redukce dimenzionality, PCA, autoenkodéry, Konvoluční sítě, Deep Learning, hluboké neuronové sítě. Neurčité informace a neurčitosti v datech. Fuzzy logika a fuzzy množiny, Fuzzy pravidlové systémy , Neuro-Fuzzy systémy . Fuzzy množiny druhého typu, nejistota 2.typu ve vztahu k chybě měřených dat.

Požadavky:

Osnova přednášek:

1) Úlohy a výzvy umělé inteligence (UI), historie UI, Turingova, Minského a Kotkova definice UI, přístupy matematické logiky.

2) SW a HW prostředky pro rychlý vývoj a implementace UI, komerční vs. open-source nástroje, moderní trendy pro UI (CUDA, neuromorfní HW, cloudové technologie).

3) Produkční systémy, reprezentace znalostí a expertní systémy, rekomendační systémy.

4) UI založená na strojovém učení a zpracování dat, přehled nástrojů výpočetní inteligence pro UI.

5) Klasifikace, rozhodovací stromy, stromové algoritmy, gradient boosting.

6) Neuronové sítě (NS), rozdělení, základní pojmy a principy,mělké vs. hluboké NS (Deep Learning).

7) Inkrementální a dávkové algoritmy strojového učení s učitelem, (Levenberg-Marquardt, konjugované gradienty, entropické kriteriální funkce).

8) Lineární a polynomiální neuronové architektury, MLP, Extreme Machine Learning, Echo State NS

9) Třídění dat (clustering), samoorganizační NS (SOM).

10)Redukce dimenzionality, PCA, autoenkodéry,

11) Konvoluční sítě, princip Deep Learning a hluboké neuronové sítě.

12) Neurčité informace a neurčitosti v datech.

13) Fuzzy logika a fuzzy množiny, Fuzzy pravidlové systémy, Neuro-Fuzzy systémy.Fuzzy množiny druhého typu, nejistota 2.typu ve vztahu k chybě měřených dat.

Osnova cvičení:

Cíle studia:

Studijní materiály:

Mařík, V. a kol.: Umělá inteligence 1-4, Academia, Praha 1993-2003

Valášek, M. a kol.: Mechatronika, Vydavatelství ČVUT, Praha 1996

Poznámka:

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů: