Umělá inteligence

Vztahy:

Předmět B3M33UI může při kontrole studijních plánů nahradit předmět A3M33UI

Předmět B3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE3M33UI (vztah je symetrický)

Předmět B3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3M33UI (vztah je symetrický)

Předmět B3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33UI (vztah je symetrický)

Podmínkou zápisu na předmět B3M33UI je, že student si nejpozději ve stejném semestru zapsal příslušný počet předmětů ze skupiny BEZBM

Předmět B3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE3M33UI (vztah je symetrický)

Předmět B3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3M33UI (vztah je symetrický)

Předmět B3M33UI může být splněn v zastoupení předmětem BE3M33UI

Předmět B3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět BE3M33UI (vztah je symetrický)

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra kybernetiky

Anotace:

Předmět doplní a rozšíří znalosti Umělé inteligence získané v předmětu KUI; studenti získají jednak přehled o dalších často využívaných metodách UI, tak i praktickou zkušenost s jejich použitím, a osvojí si další dovednosti nutné k tvorbě inteligentních agentů. Na nových modelech si zopakují základní principy strojového učení, způsob hodnocení modelů i metody bránící přeučení. Dozví se o úlohách typu plánování a rozvrhování a o metodách, jimiž se tyto problémy řeší. Naučí se základům grafických pravděpodobnostních modelů, Bayesovských sítí a Markovských statistických modelů, a poznají jejich aplikace. Část předmětu studentům poskytne také úvod do znovu populárních neuronových sítí se zvláštním ohledem na nové metody pro tzv. hluboké učení.

Požadavky:

Znalost témat v rozsahu předmětu B3B33KUI.

Osnova přednášek:

1. Vztah UI, rozpoznávání, učení a robotiky. Úloha rozhodování. Empirické učení.

2. Lineární modely pro regresi a klasifikaci.

3. Nelineární modely. Vyrovnání příznakového prostoru. Přeučení.

4. Metoda nejbližších sousedů. Jádrové funkce. SVM. Rozhodovací stromy.

5. Bagging. Adaboost. Náhodné lesy.

6. Grafické modely. Bayesovské sítě.

7. Markovské statistické modely. Markovské řetězy.

8. Algoritmus Expectation-Maximization.

9. Plánování. Reprezentace plánovacího problému. Metody.

10. Rozvrhování. Lokální prohledávání.

11. Neuronové sítě, základní metody, zpětné šíření chyby.

12. Další neuronové sítě. Deep learning.

13. Úloha splňování omezení (CSP).

14. Evoluční algoritmy.

Osnova cvičení:

Ve cvičeních studenti budou řešit praktické úkoly. Získají praxi ve využití vybraných balíků pro strojové učení, grafické modely, neuronové sítě, atd. a budou sami implementovat části algoritmů.

Cíle studia:

Studijní materiály:

S. Russel, P. Norvig: Artificial Intelligence - A Modern Approach, 3rd ed., 2010

C.M. Bishop: Pattern Recognition and Machine Learning, 2006

Poznámka:

Další informace:

https://cw.fel.cvut.cz/wiki/courses/ui/start

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů:

• Kybernetika a robotika - Systémy a řízení 2016 (povinně volitelný předmět)
• Kybernetika a robotika - Robotika 2016 (povinný předmět oboru)
• Kybernetika a robotika - Senzory a přístrojová technika 2016 (povinně volitelný předmět)
• Kybernetika a robotika - Letecké a kosmické systémy 2016 (povinně volitelný předmět)
• Kybernetika a robotika - Kybernetika a robotika 2016 (povinně volitelný předmět)