Detail předmětu
Implementace algoritmů umělé inteligence
FSI-SAL Ak. rok: 2025/2026 Letní semestr
Kurz je věnován algoritmům umělé inteligence po stránce teoretické i praktické. V rámci výuky se studenti seznámí s teoretickým matematickým pozadím jednotlivých oblastí metod a poté je implementují. Jako programovací prostředí se používá Matlab a některé implementace budou prezentovány v Pythonu.
První část kurzu zahranuje metody strojového učení – kNN, Support Vector Machine, rozhodovací stromy. V druhé části se probírají různé neuronové sítě, deep learning a komplexnější R-CNN a autoenkodéry. Studenti se naučí vytvořit vlastní trénovací a testovací data, sestavit vhodné vrstvy například konvoluční neuronové sítě, provést validaci a zhodnocení výsledků.
V rámci kurzu jsou také zvané přednášky týkající se analýzy jazyka pomocí neuronových sítí.
Jazyk výuky
čeština
Počet kreditů
4
Garant předmětu
Zajišťuje ústav
Vstupní znalosti
Základy programování v Matlabu.
Statistické metody.
Pravidla hodnocení a ukončení předmětu
Klasifikovaný zápočet na základě odevzdání semestrální práce (70 procent) a ústního zkoušení probrané teorie (30 procent).
Účast na výuce je povinná, v případě absence je nutné vypracovat náhradní úkoly.
Učební cíle
Cílem kurzu je seznámit studenty s matematickou podstatou metod umělé inteligence a také je naučit tyto metody implementovat s pochopením.
Oblasti, kterým se výuka bude věnovat a které studenti nastudují a naprogramují:
1. Metoda nejbližších sousedů, rozhodovací stromy, Support Vector Machine.
2. Výstavba neuronové sítě pro trénování na tabulkových datech.
3. Konvoluční neuronové sítě pro práci s obrazovými daty.
4. Regional CNN, YOLO pro detekci určitých objektů v obrazech.
5. Autoenkodéry a dekodéry.
Studijní opory
Materiály zveřejněny na e-learningu.
Použití předmětu ve studijních plánech
Program N-MAI-P: Matematické inženýrství, magisterský navazující, volitelný
Typ (způsob) výuky
Přednáška
26 hod., povinná
Osnova
1. Návaznost metod umělé inteligence na expertní systémy.
2.-3. Metody strojového učení (kNN, rozhodovací stromy, SVM, atp.).
4.-5. Základní tvorba neuronových sítí pro tabulková data, vysvětlení šíření chyby a trénování, back-propagation.
6.-7. Konvoluční neuronové sítě (konvoluce, pooling, batch normalization).
8. Autoenkodéry a dekodéry.
9. Využití předtrénovaných knihoven – struktura, implementace
10. R-CNN, YOLO (konvoluční neuronová síť pro vyhledávání v obrazech), transformery
11.-12. Práce na semestrálním projektu, konzultace.
13. Prezentace závěrečných projektů, hodnocení.
Cvičení s počítačovou podporou
13 hod., povinná
Osnova
Cvičení budou v softwaru Matlab nebo programovány v Pythonu s použitím knihoven scikit-learn, pandas, keras, pytorch.
1. Návrh expertního systému v Matlabu (propojení s fuzzy logikou).
2.-3. Implementace metod kNN, decision trees, SVM na různá data. Testovací a validační data.
4.-5. Návrh neuronových sítí pro predikci na daných datech (např. lékařská data, ekonomické ukazatele, atp.)
6.-7. Zpracování obrazových databází pro tvorbu konvolučních neuronových sítí (rozpoznání ručně psaných číslic, geometrických tvarů, zvířat).
8. Autoenkodéry a dekodéry – implementace pro odstranění šumu, vyhledávání v obrazech, snížení dimenzionality dat.
9. Předtrénované CNN – ResNet, GoogleNet
10. R-CNN, YOLO na reálných datech.
11.-12. Konzultace k semestrálnímu projektu
13. Prezentace, vyhodnocení práce.