Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru/specializace. Za věcný obsah předmětu zodpovídá garant předmětu. Časovou náročnost předmětu zhruba vyjadřuje atribut předmětu rozsah kontaktní výuky. Například rozsah = 2+2 značí, že předmět bude mít týdně dvě hodiny přednášek a dvě hodiny cvičení týdně. Na závěr semestru musí vyučující provést vyhodnocení, nakolik si ten který student osvojil poznatky a dovednosti, kterých měl během výuky nabýt. Jakým způsobem toto hodnocení vyučující provedou určuje atribut způsob zakončení. U předmětu lze definovat, že předmět je zakončen pouze zápočtem(Z), klasifikovaným zápočtem(KZ), pouze zkouškou(ZK), nebo zápočtem a zkouškou(Z,ZK). Náročnost úspěšného absolvování předmětu je vyjádřena ECTS kreditními body. Výuka předmětu probíhá během semestru. Opakovaně se předmět vyučuje vždy v zimním(Z), nebo v letním(L) semestru každého akademického roku. Výjimečně může předmět být nabízen studentům v obou semestrech(Z,L). Za organizační zajištění výuky zodpovídá přiřazená katedra, která zejména vytvoří časový rozvrh předmětu a zajistí pro předmět vyučující. Někteří přednáší a zkouší, jiní vedou cvičení a udělují zápočty.
Obsahová náplň a další organizační informace, týkající se předmětu je popsána pomocí různých popisných textů(anotace, týdenní osnova, literatura, apod.)
$DODATEK_POPIS
MI-MVI.16 | Metody výpočetní inteligence | Rozsah kontaktní výuky: | 2P+1C | ||
---|---|---|---|---|---|
Vyučující: | Způsob zakončení: | Z,ZK | |||
Zodpovědná katedra: | 18105 | ECTS Kredity: | 5 | Semestr: | Z |
Anotace:
Studenti porozumí základním metodám a technikám výpočetní inteligence, které vycházejí z tradiční umělé inteligence, jsou paralelní povahy a jsou použitelné pro řešení celé řady problémů. Studenti se naučí, jak tyto metody pracují a jak je aplikovat na problémy související s data miningem, řízením, inteligencí ve hrách, optimalizací, apod.
Osnovy přednášek:
1. | Úvod do výpočetní inteligence, strojového učení - aplikace | |
2. | Strojové učení a heuristiky pro řešení ML problémů |
4. | Rekurentní neuronové sítě | |
5. | Konvoluční neuronové sítě | |
6. | Generativní sítě (GANs) | |
7. | Autoencodery a variační autoencodery (VAE), aplikace v rekomedačních systémech |
9. | Pokročilé evoluční algoritmy a strategie, CMAES | |
10. | Meta-learning | |
11. | Swarms (ACO, PSO a varianty) | |
12. | Nové trendy |
Osnovy cvičení:
1. | Úvod, seznámení s nástroji (tensorflow) | |
2. | Seznámení s problémy | |
3. | Zadání semestrální úlohy | |
4. | Konzultace | |
5. | Konzultace | |
6. | Kontrola semestrální úlohy | |
7. | Konzultace | |
8. | Konzultace | |
9. | Kontrola semestrální úlohy | |
10. | Konzultace | |
11. | Kontrola reportu | |
12. | Prezentace prací, workshop | |
13. | Prezentace prací, workshop | |
14. | Prezentace prací, workshop, zápočet |
Literatura:
Konar, A. ''Computational Intelligence: Principles, Techniques and Applications''. Springer, 2005. ISBN 3540208984.
Bishop, C. M. ''Neural Networks for Pattern Recognition''. Oxford University Press, 1996. ISBN 0198538642.
Požadavky:
BI-ZUM - Introduction to artificial intelligence
|
Předmět je zahrnut do těchto studijních plánů:
Stránka vytvořena 28. 3. 2024, semestry: Z/2022-3, L/2020-1, L/2019-20, L/2023-4, L/2022-3, Z/2023-4, Z/2019-20, Z/2021-2, Z/2020-1, L/2021-2, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: J. Novák, I. Halaška |