Kybernetika a umělá inteligence

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:

Tomáš Svoboda

Přednášející:

Petr Pošík, Tomáš Svoboda

Cvičící:

Jan Černý, Jana Kostlivá, Kateřina Poláková, Petr Pošík, Tomáš Svoboda

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

Rozvrh na zimní semestr 2023/2024:

Rozvrh není připraven

Rozvrh na letní semestr 2023/2024:

	06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
Út
St
Čt	místnost KN:E-230 Poláková K. 12:45–14:15 (přednášková par. 1 paralelka 101) Karlovo nám. Laboratoř PCmístnost KN:E-230 Černý J. 14:30–16:00 (přednášková par. 1 paralelka 102) Karlovo nám. Laboratoř PCmístnost KN:E-230 Pošík P. 16:15–17:45 (přednášková par. 1 paralelka 105) Karlovo nám. Laboratoř PC
Pá	místnost KN:E-230 Kostlivá J. 09:15–10:45 (přednášková par. 1 paralelka 103) Karlovo nám. Laboratoř PCmístnost KN:E-230 Kostlivá J. 11:00–12:30 (přednášková par. 1 paralelka 104) Karlovo nám. Laboratoř PCmístnost KN:E-230 12:45–14:15 (přednášková par. 1 paralelka 106) Karlovo nám. Laboratoř PC

Předmět je součástí následujících studijních plánů:

• Kybernetika a Robotika 2016 (povinný předmět programu)
• Lékařská elektronika a bioinformatika (povinně volitelný předmět)
• Kybernetika a Robotika 2021 (povinný předmět programu)