Detail předmětu

Artificial Intelligence

FEKT-NUINAk. rok: 2017/2018

Kurz 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.

Jazyk výuky

angličtina

Počet kreditů

5

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.

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.

Osnovy výuky

1. Umělá inteligence – definice, historie, oblasti
2. Biologický informační systém, neuron, mozek, inteligence
3. Umělé neuronové sítě - modelování a vlastnosti neuronových sítí, paradigmata
4. Umělé neuronové sítě - perceptron
5. Umělé neuronové sítě - vícevrstvá neuronová síť s algoritmem učení backpropagation
6. Umělé neuronové sítě - vlastnosti vícevrstvé neuronové sítě
7. Umělé neuronové sítě - Kohonenovy samoorganizační mapy
8. Umělé neuronové sítě - Hopfieldova síť
9. Umělé neuronové sítě - RCE síť
10. Znalostní systémy - reprezentace znalostí, řešení úloh
11. Znalostní systémy - struktura a činnost expertních systémů
12. Principy počítačového vidění
13. Inteligentní robot

Učební cíle

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.

Základní literatura

Kasabov,N.K.: Foundations of Neural Networks, Fuzzy systems and Knowledge Engineering.The MIT Press,1996,ISBN 0-262-11212-4 (EN)
Schalkoff,R.J.:Artificial Neural Networks. The MIT Press,1997,ISBN 0-07-115554-6 (EN)
Sonka M., Hlavac V., Boyle R.: Image Processing, Analysis and Machine Vision. Thomson, 2008, ISBN 978-0-495-08252-1 (EN)

Zařazení předmětu ve studijních plánech

  • Program EEKR-MN magisterský navazující

    obor MN-TIT , 1. ročník, zimní semestr, povinný
    obor MN-KAM , 2. ročník, zimní semestr, povinný
    obor MN-EEN , 2. ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

39 hod., nepovinná

Vyučující / Lektor

Osnova

Umělá inteligence,definice, metody.
Neuronové sítě, biologické poznatky o neuronech
Modely neuronu a paradigmata neuronovích sítí
Vrstevnaté NS, Metoda Back-Propagation, Modifikované algoritmy metody BP
Asociativní NS, RCE síť, Kohonenovy mapy
Princip expertních systémů, teoretické zdroje ES.
Reprezentace znalostí - logika, produkční pravidla.
Reprezentace znalostí - sémantické sítě, rámce.
Řěšení úloh - typy úloh, nedeterminismus, heuristika.
Řešení úloh - metody řešení úloh.
Řešení úloh - metody inference pro ES.
Rozpoznávání řeči - zpracování, modelování a syntéza řeči.
Rozpoznávání řeči - metody rozpoznávání, hlasové ovládání technických zařízení.

Cvičení na počítači

26 hod., nepovinná

Vyučující / Lektor

Osnova

Matlab with Simulink
Modelování algoritmu BackPropagation 1
Neuronové sítě v modelování 2
Modelování dynamických systémů pomocí neuronových sítí.
Citlivostní analýza NS typu Backpropagation.
Klasifikace pomocí NS.
Aplikace expertních systémů.