ČeskyEnglish

Popis předmětu - B3B33KUI

Přehled studia | Přehled oborů | Všechny skupiny předmětů | Všechny předměty | Seznam rolí | Vysvětlivky               Návod
B3B33KUI Kybernetika a umělá inteligence Rozsah výuky:2p+2c
Garanti:Svoboda T. Role:P Zakončení:Z,ZK
Vyučující:Svoboda T.
Zodpovědná katedra:13133 Kreditů:6 Semestr:L

Anotace:

Předmět dodá bakalářským studentům základ v oblasti umělé inteligence a kybernetiky nezbytný pro návrh algoritmů pro řízení strojů. Rozšiřuje znalost algoritmů prohledávání stavového prostoru včetně prohledávání za neurčitosti. S kybernetikou je provázán prostřednictvím posilovaného učení (reinforcement learning), které v dnešní době například v robotice doplňuje či dokonce nahrazuje (polo)ruční identifikaci systému. Problematika strojového učení z dat (s učitelem) je vysvětlena na příkladu příznakového rozpoznávání, učení lineárního klasifikátoru. Student procvičí látku v praktických programovacích úlohách.

Cíle studia:

Předmět dodá bakalářským studentům základ v oblasti umělé inteligence a kybernetiky nezbytný pro návrh algoritmů pro řízení strojů. Rozšiřuje znalost algoritmů prohledávání stavového prostoru včetně prohledávání za neurčitosti. S kybernetikou je provázán prostřednictvím posilovaného učení (reinforcement learning), které v dnešní době například v robotice doplňuje či dokonce nahrazuje (polo)ruční identifikaci systému. Problematika strojového učení z dat (s učitelem) je vysvětlena na příkladu příznakového rozpoznávání, učení lineárního klasifikátoru. Student procvičí látku v praktických programovacích úlohách.

Osnovy přednášek:

1. Úvod. Co je umělá inteligence a co kybernetika.
2. Řešení problémů prohledáváním. Stavový prostor.
3. Informované prohledávání
4. Herní algoritmy. Prohledávání ve hrách více hráčů.
5. Prohledávání za neurčitosti. Markovské rozhodovací procesy I 6. Markovské rozhodovací procesy II
7. Posilované učení I. Písemka.
8. Posilované učení II
9. Rozhodování za neurčitosti. Bayesovská úloha.
10. Odhady parametrů pravděpodobnostních modelů. Metoda maximální věrohodnosti
11. Empirické hodnocení klasifikátorů. Lineární klasifikátor.
12. Učení lineárního klasifikátoru, perceptron.
13. Učení bez učitele. Metoda hlavních směrů. Metoda k-průměrů.
14. Rezerva

Osnovy cvičení:

Studenti během cvičení a domácí práce naprogramují několik základních algoritmů. Důraz bude kladen na techniku ověření funkčnosti a výkonu implementace. V úloze implementace klasifikátoru bude diskutována problematika testovacích a trénovacích dat, křížové validace a ROC křivky. U některých úloh bude požadovaná krátká technická zpráva.

Literatura:

Knihu [AIMA] silně doporučujeme. Pro vykládanou látku jsou relevantní především kapitoly 3-6 (prohledávání, herní algoritmy), 16-17 (prohledávání a rozhodování za neurčitosti) a 21 (posilované učení). Lze ji u mnohých témat nahradit vybraným on-line materiálem ? odkaz bude u jednotlivých přednášek. Pro část statistického rozpoznávání doporučujeme buď [DHS] nebo [Bishop]. Jako základní výchozí bod může posloužit i [AIMA], části kapitol 18 a 20. Všechny zmíněné knihy najdou použití i v dalších předmětech dotýkajících se tématu umělé inteligence a rozhodování. Studentům tedy tuto větší jednorázovou investici velmi doporučujeme. [AIMA] Stuart J. Russel and Peter Norvig. Artificial Intelligence, a Modern Approach. 3rd edition, 2010 (vybrané kapitoly) [DHS] Richard O. Duda, Peter E. Hart, David G. Stork. Pattern Classification, 2nd edition. 2000 [Bishop] Christopher M. Bishop. Pattern Recognition and Machine Learning. 2006

Požadavky:

Předpokládá se základní znalosti pravděpodobnosti a lineární algebry. Od studenta se očekává, že je schopen samostatně implementovat/programovat programy spíše menšího rozsahu a zná základní datové struktury. V počítačových cvičeních bude používán převážně Python.

Poznámka:

http://cw.fel.cvut.cz/wiki/courses/b3b33kui/start

Webová stránka:

http://cw.fel.cvut.cz/wiki/courses/b3b33kui/start

Klíčová slova:

Kybernetika, umělá inteligence, strojové učení

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr
BPKYR_2016 Před zařazením do oboru P 4


Stránka vytvořena 21.8.2017 07:47:11, semestry: L/2016-7, Z,L/2017-8, Z/2018-9, připomínky k informační náplni zasílejte správci studijních plánů Návrh a realizace: I. Halaška (K336), J. Novák (K336)
Za obsah odpovídá: doc. Ing. Ivan Jelínek, CSc.