Detail předmětu

Umělá inteligence

FSI-RAI Ak. rok: 2020/2021 Letní semestr

Kurz seznamuje se základními přístupy používanými v oblasti umělé inteligence, zahrnuje základy prohledávání stavového prostoru, stochastické optimalizace a strojového učení, především umělých neuronových sítí včetně konvolučních. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů s využitím odpovídajících nástrojů (Matlab, TensorFlow).

Jazyk výuky

čeština

Počet kreditů

5

Výsledky učení předmětu

Student získá přehled aktuálně používaných metod v oblasti umělé inteligence, které bude schopen aplikovat na řešení úloh technické praxe.

Prerekvizity

Předpokládá se znalost vektorového a maticového počtu, schopnost algoritmizace a implementace v prostředí Matlab / Python.

Plánované vzdělávací činnosti a výukové metody

Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny. Cvičení je zaměřeno na praktické zvládnutí látky probrané na přednáškách formou implementace zvolených metod v prostředí Matlab / Python.

Způsob a kritéria hodnocení

Předmět je hodnocen na základě vypracovaného funkčního softwarového projektu, který používá některou z probíraných implementací metod umělé inteligence. Projekt je nutno odevzdat ve formě zprávy popisující řešenou úlohu a příslušných zdrojových kódů. Projekt je nutno představit spolužákům ve třídě formou krátké prezentace.

Učební cíle

Pochopení základních metod umělé inteligence a schopnost jejich aplikace na řešení inženýrských úloh.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Účast na přednáškách je žádoucí, na cvičeních povinná. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.

Použití předmětu ve studijních plánech

Program N-MET-P: Mechatronika, magisterský navazující, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

1. Úvod, oblasti umělé inteligence.
2. Prohledávání stavového prostoru – úvod.
3. Neinformované a informované metody prohledávání stavového prostoru.
4. Teorie her – min/max algoritmus
5. Evoluční metody prohledávání stavového prostoru.
6. Základní paradigmata neuronových sítí
7. Učení s učitelem, učení bez učitele.
8. Metoda zpětného šíření.
9. Aproximace versus klasifikace.
10. Konvoluční neuronové sítě – úvod
11. Konvoluční neuronové sítě – topologie, konvoluční a poolingová vstva
12. Zpětnovazební učení
13. Q-učení

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

Osnova

1. Základní nástroje: Matlab, Python, Tensor Flow, Keras.
2. Implementace prohledávání do šířky, do hloubky
3. Dijkstrův algoritmus, A-star algoritmus
4. Min-max algoritmus
5. Implementace genetického algoritmu
6. Vrstvené sítě, Neural Network Toolbox
7. Vrstvené sítě – příklady
8. Konvoluční neuronová síť – Tensor Flow
9. Zpětnovazební učení a Q-učení
10. Práce na projektu, konzultace projektu
11. Práce na projektu, konzultace projektu
12. Práce na projektu, konzultace projektu
13. Prezentace projektu