Umělá inteligence a strojové učení

• 26 hod. přednášky
• 13 hod. cvičení
• 13 hod. projekty

• 60 bodů závěrečná zkouška (písemná část)
• 20 bodů půlsemestrální test (písemná část)
• 20 bodů projekty

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.

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.

• 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.

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

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.

Cílem projektu je vytvořit umělointeligentního agenta pro zadanou hru. K projektu je k dispozici otevřená implementace herního serveru a pomocných nástrojů, úkolem je vytvoření schopného agenta kombinujícího prvky umělé inteligence a strojového učení. Projekt je řešen ve skupinkách max. 4 studentů.

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