Umělá inteligence a strojové učení

• 26 hod. přednášky
• 13 hod. seminář
• 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.

Studenti:

• se seznámí se základním názvoslovovím v oblasti strojového učení s důrazem na moderní neuronové sítě
• porozumí vztahu mezi úlohou, modelem a procesem učení
• si připomenou klasické metody umělé inteligence založené na prohledávání a získají představu o jejich kombinaci se strojovým učením
• se seznámí se základními modely strojového učení (guassovské modely, gaussovské klasifikátory, lineární regrese, logistická regrese)
• se seznámí s moderními neuronovými sítěmi pro řešení různých druhů úloh (klasifikace, regrese, úlohy v prostředích s posilovaným učením) nad různými druhy dat (nestrukturovanými, obrazovými, textovými, zvukovými) a s metodami jejich učení

• Materiály k přednáškám dostupné v Moodlu
• 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. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání - základy Bayesovské teorie. 
4. Gaussovský model, jeho interpretace a trénování, PCA.
5. Lineární a logistická regrese, Support vector machines - základní formulace a kernel trick.
6. Neuronové sítě - základní stavební bloky, principy učení.
7. Praktická práce s hlubokými NN - mini-batch, normalizace, regularizace, randomizace, data augmentation. 
8. Obrazové varianty neuronových sítí - konvoluční sítě, agregace informace, velmi hluboké sítě
9. Sekvenční varianty NN: RNN, LSTM, BLSTM, autoencoders, attention models, využití NN embeddings
10. Posilované učení s neuronovými sítěmi i bez nich
11. Prohledávání stavového prostoru, hraní her
12. Lokální prohledávání, řešení úloh s omezeními (CSP)
13. Aplikace AI.

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.

Součástí předmětu je trojice domácích úloh na procvičení látky:

1. Modelování dat a jednoduché klasifikátory
2. Tvorba jednoduché neuronové sítě
3. Řešení problémů prohlédáváním

• půlsemestrální zkouška (20b)  
• tři domácí úlohy (20b) 
• semestrální zkouška 60b, nutno absolvovat nejméně na 20b.