Detail předmětu
Umělá inteligence
FSI-RAI Ak. rok: 2024/2025 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
Garant předmětu
Zajišťuje ústav
Vstupní znalosti
Předpokládá se znalost vektorového a maticového počtu, schopnost algoritmizace a implementace v prostředí Matlab / Python.
Pravidla hodnocení a ukončení předmětu
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.
Účast na přednáškách je žádoucí, na cvičeních povinná. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.
Učební cíle
Pochopení základních metod umělé inteligence a schopnost jejich aplikace na řešení inženýrských úloh.
Student získá přehled aktuálně používaných metod v oblasti umělé inteligence, které bude schopen aplikovat na řešení úloh technické praxe.
Použití předmětu ve studijních plánech
Program N-MET-P: Mechatronika, magisterský navazující, povinný
Program C-AKR-P: Akreditované předměty v CŽV, celoživotní vzdělávání v akr. stud. programu
specializace CLS: Předměty letního semestru, volitelný
Typ (způsob) výuky
Přednáška
26 hod., nepovinná
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
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