|
Vyučující
|
-
Nejedlová Dana, Ing. Ph.D.
|
|
Obsah předmětu
|
Přednášky 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. Dynamické programování. Výpočet Minimal Edit Distance algoritmem Dynamic Time Warping. 7. Rozhodovací stromy a entropie informace. 8. Bayesovy sítě. 9. Neuronové sítě: historie, reprezentace logických funkcí, lineární separabilita, 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. Cvičení 1. Návrh systému s mlhavou logikou pro výběr nejlepšího kandidáta. 2. Reprezentace konkrétních úloh pomocí stavového prostoru. 3. Alfa-Beta prořezávání. 4. Řešení konkrétní úlohy pomocí jazyka Prolog. 5. Zápis výroků v predikátové logice 1. řádu. 6. Naivní bayesovský klasifikátor. 7. Reprezentace konkrétní problematiky rozhodovacím stromem. Výpočet entropie informace. 8. Reprezentace konkrétní problematiky Bayesovou sítí. Výpočet pravděpodobností. 9. Klasifikace vektorů pomocí Perceptronu a Delta pravidla. 10. Řešení lineárně neseparabilních problémů vícevrstvou neuronovou sítí. 11. Klasifikace vícevrstvou neuronovou sítí metodou trénovacích a testovacích dat. 12. Využití Hopfieldovy sítě pro obnovu poškozených vzorů. Využití Hopfieldovy a Hebbovy sítě pro zjištění závislostí v datech. 13. Využití Kohonenovy sítě pro nelineární analýzu hlavních komponent a řešení problému obchodního cestujícího. Testování genetického algoritmu. 14. Test.
|
|
Studijní aktivity a metody výuky
|
Monologický výklad (přednáška, prezentace, vysvětlování), Pracovní činnosti (dílny)
- Účast na výuce
- 56 hodin za semestr
|
|
Výstupy z učení
|
Seznámit studenty s moderními metodami umělé inteligence jako s nástroji k rozhodování a řízení. Propojit odborná fakta tohoto předmětu se znalostmi algebry, programovacích technik a odbornými ekonomickými disciplínami.
Studenti získají znalosti v daném předmětu v souladu s cílem a obsahem.
|
|
Předpoklady
|
Absolvování kurzů algoritmizace, matematiky a statistiky
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška, Písemná zkouška, Praktická demonstrace získaných dovedností, Systematické pozorování studenta, Prezentace samostatné výzkumné činnosti studenta, Písemná práce
Aktivní účast na cvičeních. Úspěšné napsání testu teoretických znalostí. Samostatné vypracování a obhajoba programu v libovolném programovacím jazyce řešícího nějaký praktický problém metodami umělé inteligence.ce
|
|
Doporučená literatura
|
-
BISHOP, Christopher M. Pattern Recognition and Machine Learning. New York: Springer, 2006. ISBN 978-0387-31073-2.
-
HAYKIN, Simon O. Neural Networks and Learning Machines. Prentice Hall, 2009. ISBN 978-0131471399.
-
HEATON, Jeff. Artificial Intelligence for Humans, Volume 1: Fundamental Algorithms. Heaton Research, Inc., 2013. ISBN 978-1493682225.
-
HEATON, Jeff. Artificial Intelligence for Humans, Volume 2: Nature-Inspired Algorithms. Heaton Research, Inc., 2014. ISBN 978-1499720570.
-
JONES, M. T. Artificial Intelligence : A Systems Approach. Sudbury : Jones and Bartlett Publishers, 2008. ISBN 978-0-7637-7337-3.
-
KRUSE, R., BORGELT, C., KLAWONN, F., MOEWES, C., STEINBRECHER, M., HELD, P. Computational Intelligence: A Methodological Introduction. Springer-Verlag London, 2013. ISBN 978-1-4471-5012-1.
-
MARSLAND, Stephen. Machine Learning: An Algorithmic Perspective. Chapman & Hall/Crc Machine Learning & Pattern Recognition, 2014. ISBN 978-1466583283.
-
Vladimír MAŘÍK, Olga ŠTEPÁNKOVÁ, Jiří LAŽANSKÝ a kolektiv. Umělá inteligence I. - V.díl. Academia Praha, 2007. ISBN 80-200-0502-1.
|