Computational Intelligence Methods

Garant předmětu:

Pavel Kordík

Přednášející:

Miroslav Čepek, Pavel Kordík

Cvičící:

Miroslav Čepek, Pavel Kordík

Předmět zajišťuje:

katedra aplikované matematiky

Anotace:

Students will understand the basic methods and techniques of computational intelligence, which are based on traditional artificial intelligence, are parallel in nature and are applicable to solving a wide range of problems. The subject is also devoted to modern neural networks and the ways in which they learn and neuroevolution. Students will learn how these methods work and how to apply them to problems related to data extraction, management, intelligence in games and optimisation, etc.

Požadavky:

BI-ZUM - Introduction to artificial intelligence

Osnova přednášek:

1. Introduction to computational intelligence methods, application demonstrations.

2. Machine learning and heuristics to solve ML problems.

3. Evolutionary algorithms, schema theory

4. Neural networks and gradient learning.

5. Convolutional neural networks.

6. Autoencoders and convnets.

7. Embeddings, graph representations, word2vec.

8. Recurrent neural networks, attention.

9. Transformers.

10. Variantional Autoencoders (VAE), Generative Networks (GANs).

11. Neuroevolutions, hypernets.

12. Meta-learning, few shot learning, AutoML.

Osnova cvičení:

1. Introduction, getting acquainted with tools.

2. Introduction to the problems.

3. Course project assignment.

4. Consultations.

5. Consultations.

6. Project checkpoint.

7. Consultations.

8. Consultations.

9. Project checkpoint.

10. Consultation.

11. Report check.

12. Project presentations, workshop.

13. Project presentations, workshop.

14. Project presentations, workshop, assessment.

Cíle studia:

The module gives an overview of basic methods and techniques of computational intelligence that stem from the classical artificial intelligence. Computational intelligence methods are mostly nature-inspired, parallel by nature, and applicable to many problems in knowledge engineering.

Studijní materiály:

1. Konar, A. : Computational Intelligence: Principles, Techniques and Applications. Springer, 2005. ISBN 3540208984.

2. Bishop, C. M. : Neural Networks for Pattern Recognition. Oxford University Press, 1996. ISBN 0198538642.

3. Goodfellow, I. - Bengio, Y. - Courville, A. : Deep Learning (Adaptive Computation and Machine Learning series). MIT Press, 2016. ISBN 978-0262035613.

Poznámka:

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/NI-MVI/

Další informace:

https://courses.fit.cvut.cz/NIE-MVI

Rozvrh na zimní semestr 2024/2025:

	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
Pá	místnost T9:346 Čepek M. 09:15–10:45 (přednášková par. 1) Dejvice NBFIT učebnamístnost T9:303 Čepek M. 11:00–12:30 SUDÝ TÝDEN (přednášková par. 1 paralelka 101) Dejvice NBFIT PC ucebna

Rozvrh na letní semestr 2024/2025:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů:

• Master specialization Software Engineering, in English, 2021 (volitelný předmět)
• Master specialization Computer Security, in English, 2021 (volitelný předmět)
• Master specialization Computer Systems and Networks, in English, 2021 (volitelný předmět)
• Master specialization Design and Programming of Embedded Systems, in English, 2021 (volitelný předmět)
• Master specialization Computer Science, in English, 2021 (PS, volitelný předmět)
• Study plan for Ukrainian refugees (volitelný předmět)
• Master Specialization Digital Business Engineering, 2023 (volitelný předmět)
• Master Programme Informatics, unspecified Specialization, in English, 2021 (volitelný předmět)
• Master specialization Computer Science, in English, 2024 (volitelný předmět)