Detail předmětu

Umělá inteligence a strojové učení

SUI Ak. rok 2019/2020 zimní semestr 5 kreditů

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

Zástupce garanta předmětu

Jazyk výuky

český

Zakončení

zkouška (písemná)

Rozsah

26 hod. přednášky, 13 hod. cvičení, 13 hod. projekty

Bodové hodnocení

60 zkouška, 20 půlsemestrální test, 20 projekty

Zajišťuje ústav

Přednášející

Cvičící

Beneš Karel, Ing. (UPGM FIT VUT)
Fajčík Martin, Ing. (UPGM FIT VUT)
Šůstek Martin, Ing. (UITS FIT VUT)

Cíle předmětu

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.

Proč je předmět vyučován

Umělá inteligence (AI) a strojové učení (ML) jsou v dnešní době všude - od míst, kde by je člověk očekával (Google, Facebook) až po doporučovací systémy v elektronických obchodech, hry, vyhledání cestovních itinerářů nebo zaostřování fotoaparátů. Kurs SUI dává základní přehled algoritmů a aplikací AI a ML pro všechny studenty magisterského programu na FIT a naplňuje tak slova "umělá inteligence" v jeho názvu. Umělé neuronové sítě a jiné komponenty systémů pro ML a AI by pro Vás po absolvování tohoto kurzu měly přestat být "magické černé krabičky". Budete vědět, na čem jsou postaveny - mnohým z Vás bude tato informace stačit, zájemci pak mohou jít hlouběji ve specializovaných kurzech.

Literatura studijní

  • 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.

Literatura referenční

  • 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.

Osnova přednášek

  1. Úvod do umělé inteligence a agentní pojetí
  2. Prohledávání stavového prostoru, hraní her
  3. Znalosti, usuzování, plánování
  4. Základní úlohy strojového učení - detekce, klasifikace, regrese, predikce, rozpoznávání sekvencí, metriky pro určování kvality.
  5. Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning.
  6. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání - základy Bayesovské teorie. 
  7. Gaussovský model, jeho interpretace a trénování, PCA.
  8. Lineární a logistická regrese, Support vector machines - základní formulace a kernel trick.
  9. Neuronové sítě - základní stavební bloky, principy učení.
  10. Praktická práce s hlubokými NN - mini-batch, normalizace, regularizace, randomizace, data augmentation. 
  11. Sekvenční varianty NN: RNN, LSTM, BLSTM, autoencoders, attention models, využití NN embeddings.
  12. Aplikace AI 1.
  13. Aplikace AI 2.

Osnova numerických cvičení

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. Na demonstrační cvičení navazují dva domácí úkoly řešené v průběhu semestru.

Osnova ostatní - projekty, práce

Projekt je řešen ve skupinkách max. 3 studentů a jeho zadání bude sděleno studentům v průběhu semestru.

Průběžná kontrola studia

  • půlsemestrální zkouška (20b)  
  • odevzdání projektu (20b) 
  • semestrální zkouška 60b, nutno absolvovat nejméně na 17b.

Rozvrh

DenTypTýdnyMístn.OdDoPSKSkupInfo
Popřednáškavýuky E104 E105 E112 08:0009:50 1MIT 2MIT xx
Pozkouška2020-01-20 D0206 E104 E112 09:0010:50 1MIT 2MIT řádná
Pocvičenívýuky E104 E105 E112 10:0010:50 1MIT 2MIT xx
Stzkouška2020-01-29 D105 09:0010:50 1MIT 2MIT 1. oprava
zkouška2020-02-07 E112 16:0017:50 1MIT 2MIT 2. oprava

Zařazení předmětu ve studijních plánech

Nahoru