Umělá inteligence - B3M33UI

Kredity 6
Semestry letní
Zakončení zápočet a zkouška
Jazyk výuky čeština
Rozsah výuky 2P+2C
Anotace
Předmět doplní a rozšíří znalosti Umělé inteligence získané v předmětu KUI; studenti získají jednak přehled o dalších často využívaných metodách UI, tak i praktickou zkušenost s jejich použitím, a osvojí si další dovednosti nutné k tvorbě inteligentních agentů. Na nových modelech si zopakují základní principy strojového učení, způsob hodnocení modelů i metody bránící přeučení. Dozví se o úlohách typu plánování a rozvrhování a o metodách, jimiž se tyto problémy řeší. Naučí se základům grafických pravděpodobnostních modelů, Bayesovských sítí a Markovských statistických modelů, a poznají jejich aplikace. Část předmětu studentům poskytne také úvod do znovu populárních neuronových sítí se zvláštním ohledem na nové metody pro tzv. hluboké učení.
Cíle studia
Žádná data.
Osnovy přednášek
1. Vztah UI, rozpoznávání, učení a robotiky. Úloha rozhodování. Empirické učení.
2. Lineární modely pro regresi a klasifikaci.
3. Nelineární modely. Vyrovnání příznakového prostoru. Přeučení.
4. Metoda nejbližších sousedů. Jádrové funkce. SVM. Rozhodovací stromy.
5. Bagging. Adaboost. Náhodné lesy.
6. Grafické modely. Bayesovské sítě.
7. Markovské statistické modely. Markovské řetězy.
8. Algoritmus Expectation-Maximization.
9. Plánování. Reprezentace plánovacího problému. Metody.
10. Rozvrhování. Lokální prohledávání.
11. Neuronové sítě, základní metody, zpětné šíření chyby.
12. Další neuronové sítě. Deep learning.
13. Úloha splňování omezení (CSP).
14. Evoluční algoritmy.
Osnovy cvičení
Ve cvičeních studenti budou řešit praktické úkoly. Získají praxi ve využití vybraných balíků pro strojové učení, grafické modely, neuronové sítě, atd. a budou sami implementovat části algoritmů.
Literatura
S. Russel, P. Norvig: Artificial Intelligence - A Modern Approach, 3rd ed., 2010
C.M. Bishop: Pattern Recognition and Machine Learning, 2006
Požadavky
Znalost témat v rozsahu předmětu B3B33KUI.