Detail předmětu

Umělá inteligence a strojové učení

FIT-SUIAk. rok: 2019/2020

Přehled metod řešení úloh UI včetně hraní her. Logika a její využití při řešení úloh a plánování. Jazyk PROLOG vs. umělá inteligence. Základní úlohy strojového učení a metriky pro určování kvality. Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání, Gaussovský model, jeho interpretace a trénování, lineární a logistická regrese, support vector machines. Neuronové sítě - základní stavební bloky, principy učení, praktická práce s "hlubokými" NN, sekvenční varianty NN. Aplikace AI.

Doporučená nebo povinná literatura

http://www.fit.vut.cz/study/courses/SUI/public/prednasky
C. Bishop: Pattern Recognition and Machine Learning, Springer, 2006
Russel,S., Norvig,P.: Artificial Intelligence, Prentice-Hall, Inc., third edition 2010, ISBN 0-13-604259-7
Ertel, W.: Introduction to Artificial Intelligence, Springer, second edition 2017, ISSN 1863-7310
Goodfellow, I., Bengio, Y., Courville, A.: Deep Learning. MIT Press, 2016.

Způsob a kritéria hodnocení

  • půlsemestrální zkouška (20b)  
  • odevzdání projektu (20b) 
  • semestrální zkouška 60b, nutno absolvovat nejméně na 17b.

Jazyk výuky

čeština

Cíl

Seznámit studenty se základy umělé inteligence (AI) a strojového učení (ML), které jsou základními kameny moderních vědeckých metod, průmyslových systémů a produktů pro široké masy - např. samořiditelných aut, kognitivní robotiky, doporučovacích systémů, rozpoznávání objektů v obraze, chatbotů a mnoha jiných. Ukázat tradiční techniky provázané s v současnosti dominantními hlubokými neuronovými sítěmi. Dát základní vhled do matematického formalismu AI a ML, který mohou studenti rozvinout ve specializovaných předmětech. Podat přehled softwarových nástrojů pro AI a ML.

Zařazení předmětu ve studijních plánech

  • Program MITAI magisterský navazující

    specializace NISY , libovolný ročník, zimní semestr, 5 kreditů, povinný
    specializace NSEC , libovolný ročník, zimní semestr, 5 kreditů, povinný
    specializace NMAT , libovolný ročník, zimní semestr, 5 kreditů, povinný
    specializace NGRI , libovolný ročník, zimní semestr, 5 kreditů, povinný
    specializace NHPC , libovolný ročník, zimní semestr, 5 kreditů, povinný
    specializace NVER , libovolný ročník, zimní semestr, 5 kreditů, povinný
    specializace NEMB , libovolný ročník, zimní semestr, 5 kreditů, povinný
    specializace NBIO , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NISD , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NIDE , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NCPS , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NNET , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NVIZ , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NSEN , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NMAL , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NADE , 1. ročník, zimní semestr, 5 kreditů, povinný
    specializace NSPE , 1. ročník, zimní semestr, 5 kreditů, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Úvod do umělé inteligence a agentní pojetí

  2. Prohledávání stavového prostoru, hraní her

  3. Znalosti, usuzování, plánování

  4. Základní úlohy strojového učení - detekce, klasifikace, regrese, predikce, rozpoznávání sekvencí, metriky pro určování kvality.

  5. Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning.

  6. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání - základy Bayesovské teorie. 

  7. Gaussovský model, jeho interpretace a trénování, PCA.

  8. Lineární a logistická regrese, Support vector machines - základní formulace a kernel trick.

  9. Neuronové sítě - základní stavební bloky, principy učení.

  10. Praktická práce s hlubokými NN - mini-batch, normalizace, regularizace, randomizace, data augmentation. 

  11. Sekvenční varianty NN: RNN, LSTM, BLSTM, autoencoders, attention models, využití NN embeddings.

  12. Aplikace AI 1.

  13. Aplikace AI 2.

Cvičení odborného základu

13 hod., povinná

Vyučující / Lektor

Osnova

Demonstrační cvičení (1h týdně) navazují na přednášku a demonstrují studentům přednášené techniky na datech a reálném kódu (především v pythonu a navázaných AI a ML toolkitech). Kód a data pro příklady budou k dispozici studentům.

Projekt

13 hod., povinná

Vyučující / Lektor

Osnova

Projekt je řešen ve skupinkách max. 3 studentů a jeho zadání bude sděleno studentům v průběhu semestru.

eLearning