Detail předmětu

Umělá inteligence a strojové učení

FIT-SUIAk. rok: 2024/2025

Přehled metod řešení úloh UI včetně hraní her. Logika a její využití při řešení úloh a plánování. Jazyk PROLOG vs. umělá inteligence. Základní úlohy strojového učení a metriky pro určování kvality. Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání, Gaussovský model, jeho interpretace a trénování, lineární a logistická regrese, support vector machines. Neuronové sítě - základní stavební bloky, principy učení, praktická práce s "hlubokými" NN, sekvenční varianty NN. Aplikace AI.

Jazyk výuky

čeština

Počet kreditů

5

Pravidla hodnocení a ukončení předmětu

 

  • půlsemestrální zkouška (20b)  
  • tři domácí úlohy (20b) 
  • semestrální zkouška 60b, nutno absolvovat nejméně na 20b.

Učební cíle

Seznámit studenty se základy umělé inteligence (AI) a strojového učení (ML), které jsou základními kameny moderních vědeckých metod, průmyslových systémů a produktů pro široké masy - např. samořiditelných aut, kognitivní robotiky, doporučovacích systémů, rozpoznávání objektů v obraze, chatbotů a mnoha jiných. Ukázat tradiční techniky provázané s v současnosti dominantními hlubokými neuronovými sítěmi. Dát základní vhled do matematického formalismu AI a ML, který mohou studenti rozvinout ve specializovaných předmětech. Podat přehled softwarových nástrojů pro AI a ML.


Studenti:

  • se seznámí se základním názvoslovovím v oblasti strojového učení s důrazem na moderní neuronové sítě
  • porozumí vztahu mezi úlohou, modelem a procesem učení
  • si připomenou klasické metody umělé inteligence založené na prohledávání a získají představu o jejich kombinaci se strojovým učením
  • se seznámí se základními modely strojového učení (guassovské modely, gaussovské klasifikátory, lineární regrese, logistická regrese)
  • se seznámí s moderními neuronovými sítěmi pro řešení různých druhů úloh (klasifikace, regrese, úlohy v prostředích s posilovaným učením) nad různými druhy dat (nestrukturovanými, obrazovými, textovými, zvukovými) a s metodami jejich učení

Doporučená literatura

C. Bishop: Pattern Recognition and Machine Learning, Springer, 2006
Ertel, W.: Introduction to Artificial Intelligence, Springer, second edition 2017, ISSN 1863-7310
Goodfellow, I., Bengio, Y., Courville, A.: Deep Learning. MIT Press, 2016.
Materiály k přednáškám dostupné v Moodlu
Russel,S., Norvig,P.: Artificial Intelligence, Prentice-Hall, Inc., third edition 2010, ISBN 0-13-604259-7

Elearning

Zařazení předmětu ve studijních plánech

  • Program MITAI magisterský navazující

    specializace NGRI , 0 ročník, zimní semestr, povinný
    specializace NADE , 1 ročník, zimní semestr, povinný
    specializace NISD , 1 ročník, zimní semestr, povinný
    specializace NMAT , 0 ročník, zimní semestr, povinný
    specializace NSEC , 0 ročník, zimní semestr, povinný
    specializace NISY do 2020/21 , 0 ročník, zimní semestr, povinný
    specializace NNET , 1 ročník, zimní semestr, povinný
    specializace NMAL , 1 ročník, zimní semestr, povinný
    specializace NCPS , 1 ročník, zimní semestr, povinný
    specializace NHPC , 0 ročník, zimní semestr, povinný
    specializace NVER , 0 ročník, zimní semestr, povinný
    specializace NIDE , 1 ročník, zimní semestr, povinný
    specializace NISY , 0 ročník, zimní semestr, povinný
    specializace NEMB do 2023/24 , 0 ročník, zimní semestr, povinný
    specializace NSPE , 1 ročník, zimní semestr, povinný
    specializace NEMB , 0 ročník, zimní semestr, povinný
    specializace NBIO , 1 ročník, zimní semestr, povinný
    specializace NSEN , 1 ročník, zimní semestr, povinný
    specializace NVIZ , 1 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Úvod do umělé inteligence, strojového učení a jejich vzájemný vztah
  2. Základní úlohy strojového učení - detekce, klasifikace, regrese, predikce, rozpoznávání sekvencí, metriky pro určování kvality.
  3. Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning.
  4. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání - základy Bayesovské teorie. 
  5. Gaussovský model, jeho interpretace a trénování, PCA.
  6. Lineární a logistická regrese, Support vector machines - základní formulace a kernel trick.
  7. Neuronové sítě - základní stavební bloky, principy učení.
  8. Praktická práce s hlubokými NN - mini-batch, normalizace, regularizace, randomizace, data augmentation. 
  9. Sekvenční varianty NN: RNN, LSTM, BLSTM, autoencoders, attention models, využití NN embeddings
  10. Posilované učení s neuronovými sítěmi i bez nich
  11. Prohledávání stavového prostoru, hraní her
  12. Lokální prohledávání, řešení úloh s omezeními (CSP)
  13. Aplikace AI.

Seminář

13 hod., nepovinná

Vyučující / Lektor

Osnova

Demonstrační cvičení (1h týdně) navazují na přednášku a demonstrují studentům přednášené techniky na datech a reálném kódu (především v pythonu a navázaných AI a ML toolkitech). Kód a data pro příklady budou k dispozici studentům.

Projekt

13 hod., nepovinná

Vyučující / Lektor

Osnova

Součástí předmětu je trojice domácích úloh na procvičení látky:

  1. Modelování dat a jednoduché klasifikátory
  2. Tvorba jednoduché neuronové sítě
  3. Řešení problémů prohlédáváním

Elearning