Detail předmětu

Umělá inteligence

FEKT-MPC-UINAk. rok: 2025/2026

Kurz poskytuje systematický úvod do oboru umělé inteligence – od klasických symbolických metod přes evoluční algoritmy až po moderní neuronové sítě. Studenti získají přehled o základních principech AI, naučí se pracovat s prohledáváním stavového prostoru, hraním her, fuzzy logikou i bio-inspirovanými přístupy.

Druhá polovina kurzu se zaměřuje na umělé neuronové sítě (ANN), které dnes představují zásadní směr rozvoje AI. Výuka pokrývá vše od základních modelů (perceptron, ADELINE), přes topologicky organizované sítě (SOM, RBF) až po hluboké neuronové sítě, konvoluční a rekurentní architektury, autoencodery, generativní modely a velké jazykové modely. Kurz tak umožňuje pochopit, jak neuronové sítě fungují, kde nacházejí své uplatnění i jaká jsou jejich omezení.

Absolventi kurzu získají široký a aktuální přehled o nástrojích a trendech umělé inteligence i schopnost orientovat se v rychle se vyvíjejícím světě AI.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Václav Jirsík, CSc.

Zajišťuje ústav

Ústav automatizace a měřicí techniky (UAMT)

Vstupní znalosti

Jsou požadovány znalosti na úrovni bakalářského studia a základní znalosti programování v MATLABu.

Pravidla hodnocení a ukončení předmětu

Podmínkou udělení zápočtu je splnění všech následujících bodů:

  • 100% účast na povinné části výuky. Počítačová cvičení jsou povinná, řádně omluvené zameškané počítačové cvičení lze po domluvě s vyučujícím nahradit.
  • Splnění dvou on-line treningových kurzů potvrzené certifikátem, každý za 5b, tedy celkem 10b.
  • Vypracování 2 projektů (návrh zadání je se spoluúčastí studenta), každý splněný za min 5b, s max 20b. Projekt je nutné vypracovat a obhájit v daném časovém rámci. Max zisk za projekty je tedy 40b, které se přičtou k výslednému hodnocení zkoušky.

Zkouška z předmětu je písemná i ústní, s maximem 60b, přičemž hodnota pod 30b znamená nesplnění zkoušky. Výsledná známka je dána součtem bodů ze zkoušky a bodů získaných ze cvičení.

Učební cíle

Smyslem kurzu je seznámit studenty s vybranými metodami a přístupy umělé inteligence (AI) jak z oblasti klasické symbolické AI (GOFAI), tak z oblasti moderní subsymbolické AI se zvláštním důrazem na neuronové sítě. Cílem kurzu je tak objasnit teoretické základy diskutovaných metod AI, porozumět jejich implementaci, aplikačním možnostem a mít schopnost kriticky zhodnotit vhodnost jejich využití v praxi.

Základní literatura

MAŘÍK, Vladimír, ŠTĚPÁNKOVÁ, Olga, LAŽANSKÝ, Jiří a kolektiv. Umělá inteligence (1. až 6. díl) Praha: Academia 1993 - 2013. (CS)
RUSESELL, Stuart a NORVIG, Peter. Artificial Intelligence. A Modern Aproach. New Jersey: Prentice Hall 2010. 1132 s. ISBN-13: 978-0-13-604259-4. (EN)

Doporučená literatura

DUDA, Richard, HART Peter a STORK David. Pattern Classification. New York: John Wiley & Sons, INC. 2001. 654 s. ISBN 0-471-05669-3. (CS)
SONKA, Milan, HLAVAC, Vaclav a BOYLE, Rogert. Image Processing, Analysis and Machine Vision. Toronto: Thomson, 2008. 829 s. ISBN 978-0-495-24438-7. (CS)

Zařazení předmětu ve studijních plánech

  • Program MPC-AUD magisterský navazující

    specializace AUDM-TECH , 1 ročník, zimní semestr, povinně volitelný
    specializace AUDM-ZVUK , 1 ročník, zimní semestr, povinně volitelný

  • Program MPC-EAK magisterský navazující 0 ročník, zimní semestr, volitelný
  • Program MPC-EEN magisterský navazující 0 ročník, zimní semestr, volitelný
  • Program MPC-IBE magisterský navazující 2 ročník, zimní semestr, povinně volitelný
  • Program MPC-TIT magisterský navazující 0 ročník, zimní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Václav Jirsík, CSc.
prof. Ing. Radomil Matoušek, Ph.D.

Osnova

  1. Umělá inteligence (AI). Taxonomie, filozofie, právo, budoucnost.
  2. Stavový prostor. Neinformované a informované prohledávání. 
  3. Metody hraní her. Min/Max algoritmus.
  4. Fuzzy přístupy a expertní systémy.
  5. Bio-Inspired algoritmy (GA, DE, PSO a SWARM). [Projekt A info].
  6. Pokročilé evoluční výpočetní techniky. Surrogate modely.
  7. Umělé neuronové sítě (ANN) – paradigma, perceptron, ADELINE.
  8. Topologicky organizované ANN (SOM, Kohonen) a RBF sítě – paradigma.
  9. Hluboké neuronové sítě (DNN) – paradigma, MLP, RBM, backpropagation atd. Autoencodery a jejich použití.
  10. Konvoluční neuronové sítě (CNN). Multi-klasifikace. [Projekt B info].
  11. Rekurentní neuronové sítě (RNN, LSTM, GRU), Encoder-decoder architektury.
  12. Generativní modely neuronových sítí. LLM. Transformery.
  13. Kolloquium k předmětu a vybrané téma (např. modely SNN, GNN, Physics-Informed Neural Networks).

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

doc. Ing. Václav Jirsík, CSc.
prof. Ing. Radomil Matoušek, Ph.D.

Osnova

  1. Cv.: Python základy, Matlab možnosti (základy programování).
  2. Cv.: A* na jednoduchém bludišti, vs. BFS/DFS. 
  3. Cv.: Min/Max a Alfa-Beta prořezávání, Tic-Tac-Toe.
  4. Cv.: Fuzzy inferenční systém (Matlab). 
  5. Cv.: GA, DE, PSO: globální optimalizace (benchmarking, regulátor). [Projekt A]
  6. Cv.: HC12: kombinatorická optimalizace (TSP).
  7. Cv.: [Projekt A – obhajoba]
  8. Cv.: Lineární klasifikátor, Perceptron, XOR a EA učení.
  9. Cv.: Jednoduchý clustering (k-means, SOM).
  10. Cv.: Aproximace dat (regrese). [Projekt B]
  11. Cv.: (Keras/PyTorch) klasifikace 1/2 (MNIST).
  12. Cv.: (Keras/PyTorch) klasifikace 2/2 (ImageNet).
  13. Cv.: [Projekt B – obhajoba].