Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2024/2025

Kybernetika a umělá inteligence

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
B3B33KUI Z,ZK 6 2P+2C česky
Vztahy:
Předmět B3B33KUI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE5B33KUI (vztah je symetrický)
Předmět B3B33KUI může při kontrole studijních plánů nahradit předmět A3B33KUI
Předmět B3B33KUI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE3B33KUI (vztah je symetrický)
Předmět B3B33KUI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3B33KUI (vztah je symetrický)
Podmínkou zápisu na předmět B3B33KUI je, že student si nejpozději ve stejném semestru zapsal příslušný počet předmětů ze skupiny BEZBM
Předmět B3B33KUI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE5B33KUI (vztah je symetrický)
Předmět B3B33KUI může být splněn v zastoupení předmětem BE5B33KUI
Předmět B3B33KUI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3B33KUI (vztah je symetrický)
Předmět B3B33KUI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE3B33KUI (vztah je symetrický)
Garant předmětu:
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra kybernetiky
Anotace:

Předmět dodá bakalářským studentům základ v oblasti umělé inteligence a kybernetiky nezbytný pro návrh algoritmů pro řízení strojů. Rozšiřuje znalost algoritmů prohledávání stavového prostoru včetně prohledávání za neurčitosti. S kybernetikou je provázán prostřednictvím posilovaného učení (reinforcement learning), které v dnešní době například v robotice doplňuje či dokonce nahrazuje (polo)ruční identifikaci systému. Problematika strojového učení z dat (s učitelem) je vysvětlena na příkladu příznakového rozpoznávání, učení lineárního klasifikátoru. Student procvičí látku v praktických programovacích úlohách.

Požadavky:

Přepodkládá se základní znalost lineární algebry a programování. Znalost programovacího jazyka Python a základů pravděpodobnosti je výhodou.

Osnova přednášek:

1. Úvod. Co je umělá inteligence a co kybernetika.

2. Řešení problémů prohledáváním. Stavový prostor. Optimalita, časové a paměťové nároky.

3. Informované prohledávání

4. Herní algoritmy. Prohledávání ve hrách více hráčů.

5. Prohledávání za neurčitosti. Markovské rozhodovací procesy I.

6. Markovské rozhodovací procesy II

7. Posilované učení I. Písemka.

8. Posilované učení II

10. Rozhodování za neurčitosti. Bayesovská úloha.

11. Empirické hodnocení klasifikátorů. Metoda nejbližších sousedů.

12. Učení lineárního klasifikátoru, perceptron.

13. Invariance vůči transformacím. Vybrané úlohy z lineárních klasifikátorů.

14. Rezerva. Opakovaný průchod učivem.

Osnova cvičení:

Studenti během cvičení a domácí práce naprogramují několik základních algoritmů. Důraz bude kladen na techniku ověření funkčnosti a výkonu implementace. V úloze implementace klasifikátoru bude diskutována problematika testovacích a trénovacích dat, křížové validace a ROC křivky. U některých úloh bude požadovaná krátká technická zpráva.

Cíle studia:

Předmět dodá bakalářským studentům základ v oblasti umělé inteligence a kybernetiky nezbytný pro návrh algoritmů pro řízení strojů. Rozšiřuje znalost algoritmů prohledávání stavového prostoru včetně prohledávání za neurčitosti. S kybernetikou je provázán prostřednictvím posilovaného učení (reinforcement learning), které v dnešní době například v robotice doplňuje či dokonce nahrazuje (polo)ruční identifikaci systému. Problematika strojového učení z dat (s učitelem) je vysvětlena na příkladu příznakového rozpoznávání, učení lineárního klasifikátoru. Student procvičí látku v praktických programovacích úlohách.

Studijní materiály:

Knihu [AIMA] silně doporučujeme. Pro vykládanou látku jsou relevantní především kapitoly 3-6 (prohledávání, herní algoritmy), 16-17 (prohledávání a rozhodování za neurčitosti) a 21 (posilované učení). Lze ji u mnohých témat nahradit vybranými on-line materiály, odkazy budou u jednotlivých přednášek. Pro část statistického rozpoznávání doporučujeme buď [DHS] nebo [Bishop]. Jako základní výchozí bod může posloužit i [AIMA], části kapitol 18 a 20. Všechny zmíněné knihy najdou použití i v dalších předmětech dotýkajících se tématu umělé inteligence a rozhodování. Studentům tedy tuto větší jednorázovou investici velmi doporučujeme.

[AIMA] Stuart J. Russel and Peter Norvig. Artificial Intelligence, a Modern Approach. 3rd edition, 2010 (vybrané

kapitoly)

[DHS] Richard O. Duda, Peter E. Hart, David G. Stork. Pattern Classification, 2nd edition. 2000

[Bishop] Christopher M. Bishop. Pattern Recognition and Machine Learning. 2006

Poznámka:

http://cw.fel.cvut.cz/wiki/courses/b3b33kui/start

Další informace:
http://cw.fel.cvut.cz/wiki/courses/b3b33kui/start
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 5. 10. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet4674006.html