Předmět: Umělá inteligence

» Seznam fakult » EF » KIN
Název předmětu Umělá inteligence
Kód předmětu KIN/UMI
Organizační forma výuky Přednáška + Seminář
Úroveň předmětu Magisterský
Rok studia nespecifikován
Semestr Zimní
Počet ECTS kreditů 4
Vyučovací jazyk Čeština
Statut předmětu Povinně-volitelný
Způsob výuky Kontaktní
Studijní praxe Nejedná se o pracovní stáž
Doporučené volitelné součásti programu Není
Vyučující
  • Nejedlová Dana, Ing. Ph.D.
Obsah předmětu
Přednášky (témata): 1. Vymezení pojmu umělá inteligence, historie výzkumu, praktické aplikace. 2. Reprezentace skutečností pomocí stavového prostoru, heuristika a prohledávání stavového prostoru. 3. Alfa-Beta prořezávání stavového prostoru při hraní deskových her pro dva hráče. 4. Predikátová logika 1. řádu. 5. Složitost algoritmů. 6. Bayesovy sítě. 7. Rozhodovací stromy. 8. Neuronové sítě: historie, reprezentace logických funkcí, lineární separabilita. 9. Dvouvrstvá neuronová síť: učení s dohleden - Perceptron a Delta pravidlo. 10. Vícevrstvá neuronová síť: řešení lineárně neseparabilních problémů pomocí algoritmu backpropagation. 11. Vícevrstvá neuronová síť: vhodné aplikace a metodika trénování. 12. Hopfieldova síť a Hebbovo pravidlo pro její učení. 13. Konhonenova samoorganizující se síť: učení bez dohledu. 14. Genetické algoritmy. Semináře (témata): 1. Reprezentace konkrétních úloh pomocí stavového prostoru. 2. Řešení konkrétní úlohy pomocí jazyka Prolog. 3. Zápis predikátů. 4. Reprezentace konkrétní problematiky Bayesovou sítí. 5. Reprezentace konkrétní problematiky Rozhodovacím stromem. 6. Algoritmus Dynamic Time Warping. 7. Klasifikace vektorů pomocí Perceptronu a Delta pravidla. 8. Klasifikace ekonomických subjektů pomocí vícevrstvé neuronové sítě. 9. Predikce pomocí vícevrstvé neuronové sítě. 10. Využití Hopfieldovy sítě pro obnovu poškozených vzorů. 11. Využití Hopfieldovy a Hebbovy sítě pro zjištění závislotí v datech. 12. Využití Kohonenovy sítě pro nelineární analýzu hlavních komponent a řešení problému obchodního cestujícího. 13. Programování genetického algoritmu. 14. Testování genetického algoritmu.

Studijní aktivity a metody výuky
Monologický výklad (přednáška, prezentace, vysvětlování), Pracovní činnosti (dílny)
  • Účast na výuce - 56 hodin za semestr
Výstupy z učení
Studenti se seznámí s moderními metodami umělé inteligence jako s nástroji k rozhodování a řízení. Odborná fakta tohoto předmětu budou propojena se znalostmi algebry, programovacích technik a s odbornými ekonomickými disciplínami.

Předpoklady
nespecifikováno

Hodnoticí metody a kritéria
Ústní zkouška, Písemná zkouška, Praktická demonstrace získaných dovedností, Systematické pozorování studenta, Prezentace samostatné výzkumné činnosti studenta, Písemná práce

Zápočet: Aktivní účast na cvičeních. Úspěšné napsání testu teoretických znalostí. Zkouška: Samostatné vypracování a obhajoba programu v libovolném programovacím jazyce řešícího nějaký praktický problém metodami umělé inteligence.
Doporučená literatura
  • ERTEL, W. Introduction to Artificial Intelligence. 2nd ed.. New York, 2017. ISBN 978-3319584867.
  • HAYKIN, S. O. Neural Networks and Learning Machines. 3rd ed.. New Jersey, 2016. ISBN 978-9332570313.
  • HEATON, Jeff. Artificial Intelligence for Humans, Volume 3: Deep Learning and Neural Networks. Chesterfield, 2015. ISBN 978-1505714340.
  • MARSLAND, Stephen. Machine Learning: An Algorithmic Perspective. Chapman & Hall/Crc Machine Learning & Pattern Recognition, 2014. ISBN 978-1466583283.
  • MAŘÍK, V., O. ŠTEPÁNKOVÁ, J. LAŽANSKÝ, et al. Umělá inteligence 1. - 6. díl. Praha: Academia, 2013. ISBN 80-200-0502-1.
  • RUSSELL, S. a P. NORVIG. Artificial Intelligence: A Modern Approach. Global Edition. 3rd ed.. Pearson, 2016. ISBN 978-1292153964.


Studijní plány, ve kterých se předmět nachází
Fakulta Studijní plán (Verze) Kategorie studijního oboru/specializace Doporučený ročník Doporučený semestr