Název:

Umělá inteligence a strojové učení

Zkratka:SUI
Ak.rok:2019/2020
Semestr:zimní
Studijní plán:
ProgramObor/
specializace
RočníkPovinnost
MITAINADE1.povinný
MITAINBIO1.povinný
MITAINCPS1.povinný
MITAINEMB-povinný
MITAINGRI-povinný
MITAINHPC-povinný
MITAINIDE1.povinný
MITAINISD1.povinný
MITAINISY-povinný
MITAINMAL1.povinný
MITAINMAT-povinný
MITAINNET1.povinný
MITAINSEC-povinný
MITAINSEN1.povinný
MITAINSPE1.povinný
MITAINVER-povinný
MITAINVIZ1.povinný
Vyučovací jazyk:čeština
Kredity:5 kreditů
Ukončení:zkouška (písemná)
Výuka:
hod./sempřednáškasem./cvič.lab. cvič.poč. cvič.jiná
Rozsah:26130013
 zkouškatestycvičenílaboratořeostatní
Body:512014015
Garant:Burget Lukáš, doc. Ing., Ph.D. (UPGM)
Zástupce garanta:Zemčík Pavel, prof. Dr. Ing. (UPGM)
Přednášející:Burget Lukáš, doc. Ing., Ph.D. (UPGM)
Hradiš Michal, Ing., Ph.D. (UPGM)
Cvičící:Beneš Karel, Ing. (UPGM)
Fajčík Martin, Ing. (UPGM)
Šůstek Martin, Ing. (UITS)
Fakulta:Fakulta informačních technologií VUT v Brně
Pracoviště:Ústav počítačové grafiky a multimédií FIT VUT v Brně
Rozvrh:
DenVýukaTýdenMístnostOdDoPSKSkupiny
PopřednáškavýukyE104 E105 E112 08:0009:501MIT 2MIT xx
PocvičenívýukyE104 E105 E112 10:0010:501MIT 2MIT xx
 
Cíle předmětu:
  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.
Anotace:
  Přehled metod řešení úloh UI včetně hraní her. Logika a její využití při řešení úloh a plánování. Jazyk PROLOG vs. umělá inteligence. Základní úlohy strojového učení a metriky pro určování kvality. Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání, Gaussovský model, jeho interpretace a trénování, lineární a logistická regrese, support vector machines. Neuronové sítě - základní stavební bloky, principy učení, praktická práce s "hlubokými" NN, sekvenční varianty NN. Aplikace AI.
Proč je předmět vyučován:
  Umělá inteligence (AI) a strojové učení (ML) jsou v dnešní době všude - od míst, kde by je člověk očekával (Google, Facebook) až po doporučovací systémy v elektronických obchodech, hry, vyhledání cestovních itinerářů nebo zaostřování fotoaparátů. Kurs SUI dává základní přehled algoritmů a aplikací AI a ML pro všechny studenty magisterského programu na FIT a naplňuje tak slova "umělá inteligence" v jeho názvu. Umělé neuronové sítě a jiné komponenty systémů pro ML a AI by pro Vás po absolvování tohoto kurzu měly přestat být "magické černé krabičky". Budete vědět, na čem jsou postaveny - mnohým z Vás bude tato informace stačit, zájemci pak mohou jít hlouběji ve specializovaných kurzech.
Osnova přednášek:
 
  1. Úvod, přehled metod řešení UI úloh včetně hraní her. 
  2. Logika a její využití při řešení úloh a plánování,
  3. Jazyk PROLOG vs. umělá inteligence. 
  4. Základní úlohy strojového učení - detekce, klasifikace, regrese, predikce, rozpoznávání sekvencí, metriky pro určování kvality.
  5. Základní přístupy ke strojovému učení - rozhodovací stromy, prostory verzí, reinforcement learning, active learning.
  6. Pravděpodobnostní přístup ke klasifikaci a rozpoznávání - základy Bayesovské teorie.  
  7. Gaussovský model, jeho interpretace a trénování, PCA. 
  8. Lineární a logistická regrese, Support vector machines - základní formulace a kernel trick. 
  9. Neuronové sítě - základní stavební bloky, principy učení. 
  10. Praktická práce s hlubokými NN - mini-batch, normalizace, regularizace, randomizace, data augmentation.  
  11. Sekvenční varianty NN: RNN, LSTM, BLSTM, autoencoders, attention models, využití NN embeddings. 
  12. Aplikace AI 1. 
  13. Aplikace AI 2.
Osnova numerických cvičení:
 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. Na demonstrační cvičení navazují dva domácí úkoly řešené v průběhu semestru.
Osnova ostatní - projekty, práce:
 Projekt je zadán v kombinaci s dalším povinným kursem v Mgr. studiu, je řešen ve skupinkách max. 5 studentů. K projektu jsou k dispozici data, cílem je vyřešení zadané úlohy pomocí libovolné techniky AI či ML, pomocné funkce (např. pro výpočet parametrů) budou poskytnuty. Příklady projektů:
  1. rozpoznání objektu v obrázku 
  2. detekce klíčového slova 
  3. predikce kursu měny 
  4. detekce sentimentu z textu 
  5. odhad živosti tkáně z obrazu krevního řečiště
Literatura referenční:
 
  • 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.
Literatura studijní:
 
  • 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.
Průběžná kontrola studia:
  
  • vyřešení a odevzdání dvou domácích úkolů během semestru (po 7b, celkem 14b) 
  • půlsemestrální zkouška (15b)  
  • odevzdání projektu (20b) 
  • semestrální zkouška 51b, nutno absolvovat nejméně na 17b.
 

Vaše IPv4 adresa: 34.229.126.29