Detail předmětu

Umělá inteligence

FEKT-MPC-UINAk. rok: 2026/2027

Kurz poskytuje systematický úvod do oboru umělé inteligence – od klasických metod prohledávání stavového prostoru přes metaheuristiky a evoluční algoritmy až po moderní neuronové sítě. Studenti získají přehled o základních principech AI i pokročilé optimalizaci, která tvoří základ inteligentního rozhodování.

Druhá polovina kurzu se zaměřuje na hluboké učení a umělé neuronové sítě (ANN), které dnes představují dominantní směr rozvoje. Výuka pokrývá vše od základních modelů až po architektury Transformerů, Large Language Models (LLM) a difuzní modely. Kurz tak umožňuje pochopit principy generativní AI, mechanismy učení agentů i etické limity těchto technologií.

Absolventi získají široký a aktuální přehled o nástrojích a trendech, který jim umožní efektivně se orientovat a aplikovat AI v rychle se vyvíjejícím technologickém světě.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Václav Jirsík, CSc.

Zajišťuje ústav

Ústav automatizace a měřicí techniky (UAMT)

Vstupní znalosti

Vyžadují se základní znalosti lineární algebry (operace s maticemi a vektory), diferenciálního počtu a analýzy funkcí více proměnných (gradient, derivace), statistiky a základů algoritmizace a datových struktur. Předpokládá se základní znalost programování v libovolném jazyce (Matlab, C). Předchozí znalost jazyka Python se nevyžaduje, je však výhodou.

Předpokládá se schopnost studentů samostatně si vést písemné záznamy (zápisky) reflektující přednášenou látku. Ovládnutí tohoto způsobu učení je považováno za klíčovou součást procesu porozumění a osvojení si probírané problematiky. Jinými slovy, od studenta se očekává znalost a dovednost syntetizovat mluvené slovo a vizuální vjem do vlastních myšlenek.

Pravidla hodnocení a ukončení předmětu

Podmínkou udělení zápočtu je splnění všech následujících bodů:

  • 100% účast na povinné části výuky. Počítačová cvičení jsou povinná; řádně omluvená zameškaná počítačová cvičení lze po domluvě s vyučujícím nahradit.

  • Splnění dvou online tréninkových kurzů potvrzené certifikátem.

  • Splnění kontrolního testu na min. 5 b (max. 10 b).

  • Vypracování 2 projektů, každý za min. 5 b (max. 10 b). Projekty je nutné vypracovat a obhájit v daném časovém rámci.

  • Získané body se přičtou k výslednému hodnocení zkoušky.

Zkouška z předmětu je písemná, s maximem 70 b, přičemž hodnota pod 35 b 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.

Studijní opory

Předmět je primárně vystavěn na kurzu AI z UC Berkeley a vychází z publikace: RUSSELL, Stuart a NORVIG, Peter. Artificial Intelligence: A Modern Approach. New Jersey: Pearson, 2021. 1170 s. ISBN-13: 978-1-292-40113-3. Studijní opory jsou poskytovány selektivně prostřednictvím e-learningové platformy Moodle. U studentů se předpokládá účast na přednáškách a vedení vlastních zápisků podle přednášené látky.

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

  • Program MPC-AUD magisterský navazující

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

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Václav Jirsík, CSc.

Osnova

  1. AI – hrozba nebo naděje: Taxonomie, etika a bezpečnost.

  2. Stavový prostor I: Neinformované prohledávání.

  3. Stavový prostor II: Informované prohledávání a heuristiky.

  4. Hraní her, či Expertní systémy (host: doc. Jirsík).

  5. Bio-Inspired algoritmy a úvod do Reinforcement Learning (RL): Od evoluce k učení agenta (Agent-Env feedback loop).

  6. Pokročilé metaheuristiky: surrogate modely a optimalizace.

  7. Základy ANN: Perceptron, ADALINE a princip gradientního sestupu.

  8. Speciální architektury: Učení bez učitele, SOM (Kohonen) a RBF sítě.

  9. Hluboké učení (Deep Learning): Backpropagation, MLP, regularizace a autoencodery.

  10. Konvoluční sítě (CNN): Architektury pro počítačové vidění a multi-klasifikaci.

  11. Sekvenční modely a Attention: Od RNN k Transformerům, aneb proč RNN selhaly.

  12. Generativní modely: LLM, RLHF a difuzní modely.

  13. Kolokvium: Rezerva, či vybraná top témata (SNN, GNN, PINNs, či Bayesovské sítě).

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

doc. Ing. Václav Jirsík, CSc.

Osnova

Cvičení koresponduje s přednášenou látkou. Implementační doménou bude Python a Matlab. Znalost Pythonu se předem nepředpokládá.