Detail předmětu

Umělá inteligence

FEKT-BPC-UINAk. rok: 2026/2027

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

prof. Ing. Radomil Matoušek, Ph.D.

Zajišťuje ústav

Ústav automatizace a měřicí techniky (UAMT)

Vstupní znalosti

Vyžadují se základní znalosti lineární algebry, algoritmizace a statistiky.

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.
  • Vypracování 3 projektů, každý za min 5b, s max 10b. Projekt je nutné vypracovat a obhájit v daném časovém rámci. Max zisk za projekty je tedy 30b, které se přičtou k výslednému hodnocení zkoušky.

Zkouška z předmětu je písemná i ústní, s maximem 70b, přičemž hodnota pod 35b 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)
RUSSELL, Stuart a NORVIG, Peter. Artificial Intelligence. A Modern Aproach. New Jersey: Pearson 2021. 1170 s. ISBN-13: 978-1-292-40113-3 (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. (EN)
SONKA, Milan, HLAVAC, Vaclav a BOYLE, Rogert. Image Processing, Analysis and Machine Vision. Toronto: Thomson, 2008. 829 s. ISBN 978-0-495-24438-7. (EN)

Zařazení předmětu ve studijních plánech

  • Program BPC-TLI bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-SEE bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-NCP bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-MET bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-IBE bakalářský 0 ročník, zimní semestr, volitelný
  • Program BPC-EMU bakalářský 3 ročník, zimní semestr, povinně volitelný
  • Program BPC-EKT bakalářský 0 ročník, zimní semestr, volitelný

  • Program BPC-AUD bakalářský

    specializace AUDB-ZVUK , 0 ročník, zimní semestr, volitelný
    specializace AUDB-TECH , 0 ročník, zimní semestr, volitelný

  • Program BPC-AMT bakalářský 3 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., povinná

Vyučující / Lektor

prof. Ing. Radomil Matoušek, Ph.D.

Osnova

  1. Umělá inteligence (AI). Taxonomie, filozofie, právo, budoucnost.
  2. Stavový prostor a neinformované prohledávání.
  3. Stavový prostor a informované prohledávání. [Projekt 1 info]
  4. Metody hraní her. Min/Max algoritmus. Alfa-beta prořezávání.
    Expertní systémy (zvaný expert – doc. Jirsík)
  5. Bio-Inspired algoritmy (GA, DE, PSO a SWARM).
  6. Pokročilé metaheuristiky. Surrogate modely. [Projekt 2 info]
  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 3 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, či Bayesovské sítě).

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

prof. Ing. Radomil Matoušek, Ph.D.

Osnova

  1. Cv.: Python základy, Matlab možnosti (bludiště a BFS).
  2. Cv.: Bludiště vs. BFS, DFS a A*.
  3. Cv.: 8-puzzle. [Projekt 1]
  4. Cv.: [Projekt 1 – obhajoba]
  5. Cv.: GA, DE, PSO: globální optimalizace. [Projekt 2]
  6. Cv.: HC12: kombinatorická optimalizace
  7. Cv.: [Projekt 2 – obhajoba]
  8. Cv.: Lineární klasifikátor, Perceptron, XOR a EA učení.
  9. Cv.: Jednoduchý clustering (k-means, SOM).
  10. Cv.: Aproximace dat (regrese). [Projekt 3]
  11. Cv.: (Keras/PyTorch) klasifikace 1/2 (MNIST).
  12. Cv.: (Keras/PyTorch) klasifikace 2/2 (ImageNet).
  13. Cv.: [Projekt 3 – obhajoba].