Detail předmětu
Umělá inteligence a strojové učení
FIT-SUIAk. rok: 2020/2021
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.
Garant předmětu
Zajišťuje ústav
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 20b.
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
- Úvod do umělé inteligence, strojového učení a jejich vzájemný vztah
- Základní úlohy strojového učení - detekce, klasifikace, regrese, predikce, rozpoznávání sekvencí, metriky pro určování kvality.
- Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning.
- Pravděpodobnostní přístup ke klasifikaci a rozpoznávání - základy Bayesovské teorie.
- Gaussovský model, jeho interpretace a trénování, PCA.
- Lineární a logistická regrese, Support vector machines - základní formulace a kernel trick.
- Neuronové sítě - základní stavební bloky, principy učení.
- Praktická práce s hlubokými NN - mini-batch, normalizace, regularizace, randomizace, data augmentation.
- Sekvenční varianty NN: RNN, LSTM, BLSTM, autoencoders, attention models, využití NN embeddings.
- Prohledávání stavového prostoru, hraní her
- Znalosti, usuzování, plánování
- Aplikace AI 1.
- 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
Cílem projektu je vytvořit umělointeligentního agenta pro zadanou hru. K projektu je k dispozici otevřená implementace herního serveru a pomocných nástrojů, úkolem je vytvoření schopného agenta kombinujícího prvky umělé inteligence a strojového učení. Projekt je řešen ve skupinkách max. 4 studentů.