Kybernetika a umělá inteligence - B3B33KUI

Kredity 6
Semestry letní
Zakončení zápočet a zkouška
Jazyk výuky čeština
Rozsah výuky 2P+2C
Anotace
Předmět dodá bakalářským studentům základ v oblasti umělé inteligence a kybernetiky nezbytný pro návrh algoritmů pro řízení strojů. Rozšiřuje znalost algoritmů prohledávání stavového prostoru včetně prohledávání za neurčitosti. S kybernetikou je provázán prostřednictvím posilovaného učení (reinforcement learning), které v dnešní době například v robotice doplňuje či dokonce nahrazuje (polo)ruční identifikaci systému. Problematika strojového učení z dat (s učitelem) je vysvětlena na příkladu příznakového rozpoznávání, učení lineárního klasifikátoru. Student procvičí látku v praktických programovacích úlohách.


Cíle studia
Předmět dodá bakalářským studentům základ v oblasti umělé inteligence a kybernetiky nezbytný pro návrh algoritmů pro řízení strojů. Rozšiřuje znalost algoritmů prohledávání stavového prostoru včetně prohledávání za neurčitosti. S kybernetikou je provázán prostřednictvím posilovaného učení (reinforcement learning), které v dnešní době například v robotice doplňuje či dokonce nahrazuje (polo)ruční identifikaci systému. Problematika strojového učení z dat (s učitelem) je vysvětlena na příkladu příznakového rozpoznávání, učení lineárního klasifikátoru. Student procvičí látku v praktických programovacích úlohách.
Osnovy přednášek
1. Úvod. Co je umělá inteligence a co kybernetika.
2. Řešení problémů prohledáváním. Stavový prostor. Optimalita, časové a paměťové nároky.
3. Informované prohledávání
4. Herní algoritmy. Prohledávání ve hrách více hráčů.
5. Prohledávání za neurčitosti. Markovské rozhodovací procesy I.
6. Markovské rozhodovací procesy II
7. Posilované učení I. Písemka.
8. Posilované učení II
10. Rozhodování za neurčitosti. Bayesovská úloha.
11. Empirické hodnocení klasifikátorů. Metoda nejbližších sousedů.
12. Učení lineárního klasifikátoru, perceptron.
13. Invariance vůči transformacím. Vybrané úlohy z lineárních klasifikátorů.
14. Rezerva. Opakovaný průchod učivem.
Osnovy cvičení
Studenti během cvičení a domácí práce naprogramují několik základních algoritmů. Důraz bude kladen na techniku ověření funkčnosti a výkonu implementace. V úloze implementace klasifikátoru bude diskutována problematika testovacích a trénovacích dat, křížové validace a ROC křivky. U některých úloh bude požadovaná krátká technická zpráva.
Literatura
Knihu [AIMA] silně doporučujeme. Pro vykládanou látku jsou relevantní především kapitoly 3-6 (prohledávání, herní algoritmy), 16-17 (prohledávání a rozhodování za neurčitosti) a 21 (posilované učení). Lze ji u mnohých témat nahradit vybranými on-line materiály, odkazy budou u jednotlivých přednášek. Pro část statistického rozpoznávání doporučujeme buď [DHS] nebo [Bishop]. Jako základní výchozí bod může posloužit i [AIMA], části kapitol 18 a 20. Všechny zmíněné knihy najdou použití i v dalších předmětech dotýkajících se tématu umělé inteligence a rozhodování. Studentům tedy tuto větší jednorázovou investici velmi doporučujeme.

[AIMA] Stuart J. Russel and Peter Norvig. Artificial Intelligence, a Modern Approach. 3rd edition, 2010 (vybrané
kapitoly)
[DHS] Richard O. Duda, Peter E. Hart, David G. Stork. Pattern Classification, 2nd edition. 2000
[Bishop] Christopher M. Bishop. Pattern Recognition and Machine Learning. 2006
Požadavky
Přepodkládá se základní znalost lineární algebry a programování. Znalost programovacího jazyka Python a základů pravděpodobnosti je výhodou.