450-2029/02 – Systémy s umělou inteligencí (SsUI)
| Garantující katedra | Katedra kybernetiky a biomedicínského inženýrství | Kredity | 4 |
| Garant předmětu | prof. Ing. Michal Prauzek, Ph.D. | Garant verze předmětu | prof. Ing. Michal Prauzek, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | volitelný odborný |
| Ročník | 3 | Semestr | zimní |
| | Jazyk výuky | angličtina |
| Rok zavedení | 2015/2016 | Rok zrušení | |
| Určeno pro fakulty | FEI | Určeno pro typy studia | bakalářské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Studenti se seznámí se základy vědního oboru umělé inteligence, poznají její aktuálně využívané nástroje a metody v inženýrských disciplínách. Seznámí se s přístupy učení s učitelem a bez učitele. Studenti získají informace a znalosti z oblasti úloh regrese, klasifikace, shlukové analýzy a redukce dimenze. Dále budou vysvětleny principy zpětnovazebního učení či formulace optimalizačních úloh. Studenti budou schopni aplikovat probírané nástroje ve svých závěrečných pracích a inženýrské praxi.
Vyučovací metody
Přednášky
Individuální konzultace
Cvičení (v učebně)
Experimentální práce v laboratoři
Výuka odborníka z praxe (přednáška nebo cvičení)
Anotace
Předmět je zaměřen na uplatnění metod a nástrojů umělé inteligence v inženýrské praxi v kontextu moderní kybernetiky. Vysvětluje principy umělé inteligence a strojového učení. Obsah předmětu se orientuje na aktuálně využívané metody, které řeší základní úlohy regrese, klasifikace, shlukové analýzy a redukce dimenze. Součástí výuky je i úvod do zpětnovazebního učení a optimalizační úloh. V laboratorních cvičeních studenti aplikují probírané metody přímo na vybrané datasety, inženýrské úlohy či speciální hardwarové prostředky. Probírané učivo je dáváno do kontextu přímé aplikace v praxi.
Povinná literatura:
Doporučená literatura:
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Průběžná kontrola studia:
Průběžná kontrola je prováděna na základě účasti studenta v laboratorních cvičeních.
Podmínky udělení klasifikovaného zápočtu:
Student může dosáhnout 40 (min 21) bodů za protokoly laboratorních prací a 60 (min 30) bodů za závěrečný písemný test.
E-learning
Materiály jsou dostupné v https://lms.vsb.cz/
Další požadavky na studenta
Žádné další požadavky na studenta nejsou kladeny
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky
1. Úvod do umělé inteligence, typy učení
2. Regresní úlohy a lineární regrese
3. Rozhodovací a regresní stromy
4. Shluková analýza
5. Support vector machines
6. Základy neuronových sítí
7. Trénink a optimalizace neuronových sítí
8. Hluboké neuronové sítě
9. Velké jazykové modely
10. Zpětnovazební učení
11. Biologicky-inspirované algoritmy
12. Implementace strojového učení do výpočetně omezených systémů
13. Trendy v umělé inteligenci
Cvičení
1. Základy Pythonu pro analýzu dat, práce s knihovnami, vizualizace dat
2. Implementace lineární regrese, trénink modelu a vyhodnocení výsledků
3. Vytvoření rozhodovacího stromu, vizualizace stromu a analýza dat
4. Aplikace algoritmu K-means, vizualizace a analýza shluků
5. Trénink SVM modelu, optimalizace hyperparametrů
6. Vytvoření, trénink a testování neuronové sítě
7. Parametry neuronové sítě a sledování metrik
8. Aplikace CNN a RNN
9. Praktická implementace GPT
10. Implementace zpětnovazebního učení
11. Implementace evolučního algoritmu a optimalizační úloha
12.-13. Řešení projektu a hodnocení
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky
Předmět neobsahuje žádné hodnocení.