Artificial Intelligence

Vztahy:

Předmět BE3M33UI může při kontrole studijních plánů nahradit předmět B3M33UI

Předmět BE3M33UI může při kontrole studijních plánů nahradit předmět A3M33UI

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

Předmět BE3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3M33UI (vztah je symetrický)

Podmínkou zápisu na předmět BE3M33UI je, že student si nejpozději ve stejném semestru zapsal příslušný počet předmětů ze skupiny BEZBM

Předmět BE3M33UI nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A3M33UI (vztah je symetrický)

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

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra kybernetiky

Anotace:

The course deepens and enriches knowledge of AI gained in the bachelor course Cybernetics and Artificial Intelligence. Students will get an overview of other methods used in AI, and will get a hands-on experience with some of them. They will master other required abilities to build intelligent agents. By applying new models, they will reiterate the basic principles of machine learning, techniques to evaluate models, and methods for overfitting prevention. They will learn about planning and scheduling tasks, and about methods used to solve them. Student will also get ackquainted with the basics of probabilistic graphical models, Bayesian networks and Markov models, and will learn their applications. Part of the course will introduce students to the area of again populat neural networks, with an emphasis to new methods for deep learning.

Požadavky:

Topics covered by course B3B33KUI.

Osnova přednášek:

1. The relation of artificial intelligence, pattern recognition, learning and robotics. Decision tasks, Empirical learning.

2. Linear methods for classification and regression.

3. Non-linear models. Feature space straightening. Overfitting.

4. Nearest neighbors. Kernel functions, SVM. Decision trees.

5. Bagging. Adaboost. Random forests.

6. Graphical models. Bayesian networks.

7. Markov statistical models. Markov chains.

8. Expectation-Maximization algorithm.

9. Planning. Planning problem representations. Planning methods.

10. Scheduling. Local search.

11. Neural networks. Basic models and methods, error backpropagation.

12. Special neural networks. Deep learning.

13. Constraint satisfaction problems.

14. Evolutionary algorithms..

Osnova cvičení:

Students will solve practical tasks. They will get experience with chosen packages for machine learning, graphical models, neural networks, etc. and will implement parts of algorithms themselves.

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: