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

Systémy s umělou inteligencí

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
AD7B33SUI Z,ZK 6 14KP+6KC česky
Garant předmětu:
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra kybernetiky
Anotace:

Náplní předmětu je seznámení studentů se základními cíli umělé inteligence, jejími klíčovými metodami a příklady nejčastějších praktických aplikací. Předmět poskytne přehled základních technik tvorby obecných inteligentních systémů a představí jejich vybrané konkrétní zástupce. Probrány budou metody prohledávání stavového prostoru, znalosti a jejich reprezentace, automatizované logické uvažování s případnou nejistotou, strojové učení, distribuovaná umělá inteligence nebo evoluční algoritmy. V praktické části se studenti seznámí s aplikacemi znalostních, multiagentních či robotických systémů a s dolováním dat.

Požadavky:

Předmět předpokládá u studentů předchozí znalost matematické teorie pravděpodobnosti.

Osnova přednášek:

1. Cíle umělé inteligence. Stavový prostor a řešení úloh prohledáváním.

2. Neinformované a informované metody prohledávání stavového prostoru.

3. Evoluční algoritmy a umělý život.

4. Znalosti, jejich získávání a reprezentace. Znalostní inženýrství, management znalostí.

5. Znalostní a expertní systémy. Pravděpodobnostní reprezentace neurčitosti a uvažování s nejistotou.

6. Fuzzy logika, bayesovské sítě.

7. Posibilistická teorie, Dempster-Shaferova teorie.

8. Sémantické sítě a rámce, ontologie. Topic maps. Konceptuální grafy, sémantické anotace elektronických zdrojů.

9. Deskripční logika, inference. Sémantický web - XML, RDF, OWL a SWRL.

10. Adaptivní a učící se algoritmy.

11. Učení z příkladů - základní metody.

12. Aplikace umělé inteligence: expertní a multiagentní systémy, robotika, dolování biologických a průmyslových dat.

13. Rezerva.

Osnova cvičení:

1. Řešení jednoduchých úloh.

2. Řešení úloh ve stavovém prostoru - neinformované metody, informované metody.

3. Evoluční systémy jako nástroj optimalizace - demo

4. Samostatná práce.

5. Prezentace a odevzdání úlohy prohledávání stavového prostoru.

6. Expertní systémy - FELexpert - úvod.

7. Expertní systémy - FELexpert - řešení úlohy.

8. Ontologie - návrh.

9. Ontologie - implementace (Protege, SWOOP).

10. Strojové učení - práce s nástrojem WEKA.

11. Řešení úloh strojového učení - učení z příkladů.

12. Prezentace a odevzdání úlohy - učení a optimalizace.

13. Zápočty. Rezerva.

Cíle studia:

Cíli studia jsou:

- seznámení se se základními cíli umělé inteligence, jejími klíčovými metodami a příklady nejčastějších praktických aplikací,

- získání přehledu základních technik tvorby obecných inteligentních systémů a

- získání praktických zkušeností s aplikacemi řešení úloh, znalostních systémů, strojového učení a optimalizace.

Studijní materiály:

1. Mařík, V., Štěpánková, O., Lažanský, J.: Umělá inteligence (2). Praha, Academia, 1997

2. Mařík, V., Štěpánková, O., Lažanský, J.: Umělá inteligence (4). Praha, Academia, 2001

3. XML Tutorial, http://www.w3schools.com/xml/

4. Sean Bechhofer, Ian Horrocks and Peter F. Patel-Schneider: „Tutorial on OWL“, http://www.cs.man.ac.uk/~horrocks/ISWC2003/Tutorial/

Poznámka:
Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 16. 6. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet1396606.html