Umělá inteligence a neuronové sítě
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
2371077 | Z,ZK | 4 | 2P+1C | česky |
- 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)