Umělá inteligence a neuronové sítě

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

ústav přístrojové a řídící techniky

Anotace:

Studenti se v předmětu seznámí se základními úlohami v oblasti umělé inteligence a metodami jejich řešení. Obsahem předmětu je: Stavový prostor, metody jeho prohledávání a jejich složitost; Genetické algoritmy; Základní algoritmy strojového učení; Shlukování; Učení z klasifikovaných dat; Kombinace klasifikátorů; Základy formální výrokové a predikátové logiky jako nástrojů pro řešení úloh; Automatické dokazování teorémů - resoluční metoda; Neuronové sítě (MLP, CNN, RNN, LSTM), Hluboké učení.

Požadavky:

Otázkové okruhy ke zkoušce

1. Stavový prostor a metody pro jeho úplné prohledávání. A* algoritmus a jeho vlastnosti.

2. Využití stavového prostoru a jeho algoritmů při řešení úloh a plánování akcí.

3. Strojové učení. Typy úloh strojového učení.

4. Základní algoritmy pro shlukování a jejich praktické použití.

5. Základní algoritmus pro konstrukci rozhodovacího stromu a jeho použití.

6. Výroková logika, její syntax, sémantika a pojem logický důsledek.

7. Důkazové prostředky výrokové logiky resoluce a její vlastnosti.

8. Použití výrokové logiky v praktických úlohách práce se znalostmi.

9. Neuronové sítě, základní principy perceptron, chybová funkce, back propagation, MLP.

10. Konvoluční neuronové sítě - princip konvoluce, architektura a typické operace, použití.

11. Genetické algoritmy - základní pojmy (populace, účelová funkce, cyklus GA). Porovnání evolučních a hejnových algoritmů.

Osnova přednášek:

1. Co je cílem UI, co nyní UI dokáže a jaký má vliv na společnost.

2. Stavový prostor a metody řešení typických úloh.

3. Stavový prostor složitost prohledávání a jak jí čelit.

4. Genetické algoritmy - populace, křížení, účelová funkce a funkce přípustnosti, výběr. Cyklus GA. GA s genomem tvořeným reálnými čísly.

5. Genetické algoritmy - hledání strukturálních problémů, genetické programování (genotyp a fenotyp), Hejnové algoritmy.

6. Strojové učení a jeho základní algoritmy. Shlukování.

7. Učení z klasifikovaných dat. Kombinace klasifikátorů.

8. Teorie řešení úloh a využití formální logiky.

9. Výroková a predikátová logika

10. Automatické dokazování teorémů-resoluční metoda

11. Neuronové sítě, teorie, perceptron, MLP

12. Hluboké učení, konvoluční neuronové sítě, vliv architektury

13. Neuronové sítě pro zpracování přirozeného jazyka, RNN, LSTM; Transformers.

Osnova cvičení:

Témata cvičení následují témata přednášek.

Během semestru bude na cvičení zadáno celkem 5 samostatných prací z různých oblastí probírané látky. Na odevzdání práce má student 14 dní. Pokud je úkol odevzdán v termínu, může student z daného úkolu získat maximální počet bodů. Tento maximální počet se snižuje o 1 za každý den zpoždění oproti termínu odevzdání až do 0. Takto získané body jsou poté součástí celkového bodového ohodnocení u zkoušky.

Podmínky zápočtu:

Aktivní účast na 70 % cvičení a odevzdání 3 z 5 zadaných samostatných prací nejpozději do 14 dnů od začátku zkouškového období.

Cíle studia:

Studijní materiály:

1. Mařík, Vladimír et al. Umělá intelligence (1) (kapitoly 1 až 3, 6,7). Praha: ACADEMIA, 1993 a 2000, ISBN: 80-200-0496-3

2. Russel, Stuart and Norvig, Peter (2022 the 4th edition) (parts of chapters 2, 3, 6, 7, 10, 18). Artificial Intelligence: A Modern Approach (Prentice Hall, 1995 the 1st edition), ISBN 978-0134610993.

3. Zelinka, Ivan et al. Evoluční výpočetní techniky: principy a aplikace (kapitola 11). Praha: BEN - technická literatura, 2009. 533 s. ISBN 978-80-7300-218-3.

4. Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning. MIT Press, 2016. [online] Available: https://www.deeplearningbook.org/

Poznámka:

Další informace:

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

• 12 131 NSTI PRT 2012 základ (povinný předmět programu)