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

Anotace:
Students will understand the basic methods and techniques of computational intelligence, which are based on traditional artificial intelligence, are parallel in nature and are applicable to solving a wide range of problems. The subject is also devoted to modern neural networks and the ways in which they learn and neuroevolution. Students will learn how these methods work and how to apply them to problems related to data extraction, management, intelligence in games and optimisation, etc.

Osnovy přednášek:

1.		Introduction to computational intelligence methods, application demonstrations.
2.		Machine learning and heuristics to solve ML problems.
3.		Evolutionary algorithms, schema theory
4.		Neural networks and gradient learning.
5.		Convolutional neural networks.
6.		Autoencoders and convnets.
7.		Embeddings, graph representations, word2vec.
8.		Recurrent neural networks, attention.
9.		Transformers.
10.		Variantional Autoencoders (VAE), Generative Networks (GANs).
11.		Neuroevolutions, hypernets.
12.		Meta-learning, few shot learning, AutoML.

Osnovy cvičení:

1.		Introduction, getting acquainted with tools.
2.		Introduction to the problems.
3.		Course project assignment.
4.		Consultations.
5.		Consultations.
6.		Project checkpoint.
7.		Consultations.
8.		Consultations.
9.		Project checkpoint.
10.		Consultation.
11.		Report check.
12.		Project presentations, workshop.
13.		Project presentations, workshop.
14.		Project presentations, workshop, assessment.

Literatura:

1.		Konar, A. : Computational Intelligence: Principles, Techniques and Applications. Springer, 2005. ISBN 3540208984.
2.		Bishop, C. M. : Neural Networks for Pattern Recognition. Oxford University Press, 1996. ISBN 0198538642.
3.		Goodfellow, I. - Bengio, Y. - Courville, A. : Deep Learning (Adaptive Computation and Machine Learning series). MIT Press, 2016. ISBN 978-0262035613.

Požadavky:
BI-ZUM - Introduction to artificial intelligence

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/NI-MVI/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NIE-NPVS.21 Design and Programming of Embedded Systems 2021 V 3 NIE-TI.21 Computer Science 2021 PS 3 NIE-SI.21 Software Engineering 2021 V Není NIE-TI.21 Computer Science 2021 V Není NIE-DBE.2023 Digital Business Engineering V Není NIE-NPVS.21 Design and Programming of Embedded Systems 2021 V Není NIE-PSS.21 Computer Systems and Networks 2021 V Není NIE-PB.21 Computer Security 2021 V Není NIE-PSS.21 Computer Systems and Networks 2021 V 3 NIE-PB.21 Computer Security 2021 V 3 NIE-SI.21 Software Engineering 2021 V 3