Detail předmětu
Umělá inteligence
FSI-RAI Ak. rok: 2027/2028 Letní semestr
Kurz seznamuje se základními přístupy používanými v oblasti umělé inteligence, zahrnuje základy prohledávání stavového prostoru, stochastické optimalizace a strojového učení, především umělých neuronových sítí včetně konvolučních a rekurentních sítí a transformerů. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů s využitím odpovídajících nástrojů (MATLAB, TensorFlow, PyTorch).
Jazyk výuky
čeština
Počet kreditů
5
Garant předmětu
Zajišťuje ústav
Vstupní znalosti
Předpokládá se znalost vektorového a maticového počtu, schopnost algoritmizace a implementace v prostředí MATLAB / Python.
Způsob zakončení předmětu a pravidla hodnocení studentů
Předmět je hodnocen na základě vypracovaného funkčního softwarového projektu, který používá některou z probíraných implementací metod zpracování signálu inteligence. Projekt je nutno odevzdat ve formě zprávy popisující řešenou úlohu a příslušných zdrojových kódů. Projekt je nutno představit spolužákům ve třídě formou krátké prezentace.
Zpráva ve formátu PDF má rozsah 5+ stran, obsahuje motivaci úlohy, upřesněné zadání, popis postupu a dosažené výsledky. Zdrojový kód musí být spustitelný na počítači vyučujícího. Prezentace musí být ve formátu PowerPoint nebo kompatibilním.
Hodnoceno je splnění cílů projektu, kvalita kódu a textu s ohledem na obtížnost zadání.
Účast na přednáškách je žádoucí, na cvičeních povinná. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.
Učební cíle
Pochopení základních metod umělé inteligence a schopnost jejich aplikace na řešení inženýrských úloh.
Student získá přehled aktuálně používaných metod v oblasti umělé inteligence, které bude schopen aplikovat na řešení úloh technické praxe.
Použití předmětu ve studijních plánech
Program N-MET-P: Mechatronika, magisterský navazující, povinný
Typ (způsob) výuky
Přednáška
26 hod., nepovinná
Osnova
1. Úvod, oblasti umělé inteligence, prohledávání stavového prostoru, teorie her – min/max algoritmus
2. Evoluční metody prohledávání stavového prostoru.
3. Základní paradigmata neuronových sítí, učení s učitelem, učení bez učitele, topologie.
4. Metoda zpětného šíření.
5. Aproximace versus klasifikace.
6. Konvoluční neuronové sítě – topologie, konvoluční a poolingová vrstva
7. Rekurentní neuronové sítě, LSTM
8. Zpětnovazební učení
9. Q-učení
10. Sarsa, DQN
11. Support Vector Machines
12. Transformery
13. Agentní systémy
Cvičení s počítačovou podporou
26 hod., povinná
Osnova
1. Základní nástroje: Matlab, Python, Tensor Flow, Keras, PyTorch.
2. Implementace prohledávání do šířky, do hloubky
3. Dijkstrův algoritmus, A-star algoritmus
4. Min-max algoritmus
5. Implementace genetického algoritmu
6. Vrstvené sítě, Neural Network Toolbox
7. Vrstvené sítě – příklady
8. Konvoluční neuronová síť – Tensor Flow, PyTorch
9. Zpětnovazební učení a Q-učení
10. Práce na projektu, konzultace projektu
11. Práce na projektu, konzultace projektu
12. Práce na projektu, konzultace projektu
13. Prezentace projektu