Detail předmětu
Algoritmy umělé inteligence
FSI-VAIAk. rok: 2019/2020
Kurz seznamuje se základními přístupy k algoritmům umělé inteligence a klasickými metodami používanými v této oblasti. Důraz je kladen na automatické dokazování formulí, reprezentaci znalostí a řešení úloh. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů.
Garant předmětu
Zajišťuje ústav
Výsledky učení předmětu
Pochopení základních metod umělé inteligence a schopnost jejich implementace.
Prerekvizity
Předpokládá se znalost algoritmizace, programování a základů matematické logiky a teorie pravděpodobnosti.
Doporučená nebo povinná literatura
Negnevitsky, M. Artificial Intelligence. A Guide to Intelligent Systems. Harlow, Addison-Wesley 2005. (EN)
Edward A. Bender: Mathematical Methods in Artificial Intelligence. IEEE Computer Society Press 1996. (EN)
Zbořil, F. a kol.: Umělá inteligence (skriptum VUT). (CS)
Russel, S., Norvig, P.: Artificial Intelligence. A Modern Approach. Prentice Hall 2009. (EN)
Mařík, V. a kol.: Umělá inteligence. Praha, Academia. (CS)
Luger, G.F. Artificial Intelligence. Structures and Strategies for Complex Problem Solving. Addison-Wesley 2008. (EN)
Poole, D.L., Mackworth, A.K. Artificial Intelligence: Foundations of Computational Agents. Cambridge University Press 2017. https://artint.info/2e/html/ArtInt2e.html (EN)
Mitchell, T. M. Machine Learning. Singapore, McGraw-Hill 1997. (EN)
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.
Způsob a kritéria hodnocení
Požadavky pro udělení zápočtu: absolvování průběžných testů a předložení funkčního softwarového projektu, který používá některou z probíraných metod UI. Celkem může student získat 40 bodů za cvičení (20 za testy a 20 za projekt) a 60 bodů za zkoušku, celkem tedy max. 100 bodů. Hodnocení probíhá dle ECTS, tj. pro úspěšné absolvování musí student v každé části získat alespoň polovinu bodů (20 a 30).
Jazyk výuky
čeština
Cíl
Cílem kurzu je seznámit studenty se základními prostředky umělé inteligence, s možnostmi a přiměřeností jejich použití při řešení inženýrských úloh.
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky
Účast na přednáškách je žádoucí, na cvičeních povinná. Výuka běží podle týdenních plánů. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.
Zařazení předmětu ve studijních plánech
- Program M2A-P magisterský navazující
obor M-MAI , 1. ročník, letní semestr, 5 kreditů, povinně volitelný
obor M-MET , 1. ročník, letní semestr, 5 kreditů, povinný - Program M2I-P magisterský navazující
obor M-AIŘ , 1. ročník, letní semestr, 5 kreditů, povinný
obor M-AIŘ , 1. ročník, letní semestr, 5 kreditů, povinný
Typ (způsob) výuky
Přednáška
26 hod., nepovinná
Vyučující / Lektor
Osnova
1. Úvod do umělé inteligence.
2. Neinformované prohledávání stavového prostoru.
3. Informované prohledávání stavového prostoru.
4. Řešení problémů rozkladem na podproblémy, metody prohledávání AND/OR grafu.
5. Metody hraní her.
6. Predikátová logika a rezoluční metoda. Netradiční logiky.
7. Hornova logika a jazyk Prolog.
8. Reprezentace znalostí pomocí pravidel a příslušné metody usuzování. Jazyk Clips.
9. Nepravidlové a hybridní reprezentace znalostí, příslušné metody usuzování.
10. Klasické přístupy ke zpracování neurčitosti (pseudobayesovský přístup, faktory jistoty).
11. Teoretické přístupy ke zpracování neurčitosti (bayesovské sítě, fuzzy přístupy).
12. Strojové učení.
13. Agenti a multiagentní systémy.
Cvičení s počítačovou podporou
26 hod., povinná
Vyučující / Lektor
Osnova
1. Funkcionální programování a jazyk Lisp.
2. Metody neinformovaného prohledávání stavového prostoru.
3. Metody informovaného prohledávání stavového prostoru.
4. Algoritmus A* a jeho modifikace.
5. Metody prohledávání AND/OR grafu.
6. Metody hraní her.
7. Predikátová logika a rezoluční metoda.
8. Logické programování a jazyk Prolog.
9. Pravidlové programování a jazyk Clips.
10. Zpracování neurčitosti v pravidlových systémech.
11. Bayesovské sítě.
12. Metody strojového učení.
13. Obhájení semestrálních prací.
eLearning
eLearning: aktuální otevřený kurz