Detail předmětu

Umělá inteligence

FEKT-MPC-UINAk. rok: 2019/2020

Předmět je zaměřen na prohloubení znalostí a aplikaci metod z oblasti umělé inteligence. Umělá inteligence – definice, směry vývoje. Umělé neuronové sítě, paradigmata neuronových sítí, metoda učení backpropagation, Kohonenovy samoorganizační mapy, Hopfieldova síť, RCE neuronová síť. Znalostní systémy, reprezentace znalostí, řešení úloh, struktura a činnost expertních systémů. Zpracování optické informace prostředky umělé inteligence. Inteligentní robot.

Výsledky učení předmětu

Absolvent předmětu by měl být schopen:
- vysvětlit pojem umělá inteligence z pohledu její aplikace v technických zařízení,
- vysvětlit paradigma pro umělé neuronové sítě: perceptron, vícevrstvá neuronová síť s učením backpropagation, Kohonenovy samoorganizační mapy, Hopfieldova síť, RCE neuronová síť,
- diskutovat a ověřit nastavení jednotlivých parametrů zvolené neuronové sítě,
- posoudit oblast použití jednotlivých umělých neuronových sítí,
- vysvětlit architekturu a funkčnost znalostních systémů,
- vytvořit bázi znalosti pro expertní systém NPS32,
- zvolit oblasti použití expertních systémů,
- aplikovat zpracování optické informace prostředky umělé inteligence.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia a základní znalosti programování v MATLABu.

Doporučená nebo povinná 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)
SONKSA, Milan, HLAVAC, Vaclav a BOYLE, Rogert. Image Processing, Analysis and Machine Vision. Toronto: Thomson, 2008. 829 s. ISBN 978-0-495-24438-7. (CS)
DUDA, Richard, HART Peter a STORK David. Pattern Classification. New York: John Wiley & Sons, INC. 2001. 654 s. ISBN 0-471-05669-3. (CS)

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení na počítači. Student odevzdává jeden samostatný projekt.

Způsob a kritéria hodnocení

Podmínkou udělení zápočtu je 100% účast na povinné části výuky a získání minimálně 15 bodů. Studenti jsou hodnoceni průběžně během studia ve cvičeních. Za semestr tak mohou získat max. 30 bodů. Závěrečná písemná zkouška je hodnocena max. 60ti body, ústní zkouška max. 10ti body.

Jazyk výuky

čeština

Osnovy výuky

1. Organizace výuky, umělá inteligence
2. Neurověda, kybernetika
3. Umělé neuronové sítě - paradigmata, Perceptron
4. Umělé neuronové sítě – Back propagation
5.Umělé neuronové sítě - Hopfield, Kohonen, RCE
6. státní svátek 2019
7. Počítačové vidění
8. Počítačové vidění
9. Expertní systémy
10. Expertní systémy
11. Konvoluční neuronové sítě
12. Konvoluční neuronové sítě
13. Inteligentní systémy

Cíl

Cílem předmětu je poskytnou studentům základní orientaci v klíčových algoritmech a teorii umělé inteligence, důraz je kladen na oblasti umělých neuronových sítí, znalostních systémů a počítačového vidění.

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

Počítačová cvičení jsou povinná, řádně omluvené zmeškané počítačové cvičení lze po domluvě s vyučujícím nahradit.

Zařazení předmětu ve studijních plánech

  • Program MPC-AUD magisterský navazující

    specializace AUDM-TECH , 1. ročník, zimní semestr, 5 kreditů, povinně volitelný
    specializace AUDM-ZVUK , 1. ročník, zimní semestr, 5 kreditů, povinně volitelný

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1. ročník, zimní semestr, 5 kreditů, povinně volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Cvičení na poč.

26 hod., povinná

Vyučující / Lektor