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:
Studenti se seznámí s tzv. systémy založenými na znalostech (knowledge-based systems), což jsou systémy, které využívají techniky umělé inteligence při řešení problémů, které vyžadují lidské rozhodování, učení a vyvozování závěrů a akce. Předmět seznamuje studenty s filozofií a architekturou znalostních systémů pro podporu rozhodování a plánování. Předmět předpokládá znalosti z teorie množin, základů teorie pravděpodobnosti, umělých neuronových sítí a evolučních algoritmů.

Osnovy přednášek:

1.		Úvod do znalostních systémů.
2.		Architektura znalostního systému, reprezentace znalostí.
3.		Inferenční mechanizmus, metody pro realizaci inferenčního mechanizmu.
4.		Vyjadřování a zpracování neurčitosti.
5.		Tvorba znalostního systému, ontologie, získávání znalostí.
6.		Bayesovské sítě (příklad výpočtu).
7.		Vícehodnotová logika, fuzzy logika, operace ve fuzzy logice.
8.		Pravidlový inferenční fuzzy systém.
9.		Reprezentace znalostí pomocí rozhodovacích stromů.
10.		Neuronové sítě a jejich využití pro reprezentaci znalostí a inferenci pravidel.
11.		Extrakce pravidel z rozhodovacích stromů.
12.		Extrakce pravidel z neuronových sítí.
13.		Využití pravidel v multiagentních systémech.

Osnovy cvičení:

1.		Úvodní cvičení, seznámení s pravidly hodnocení a s frameworkem pro úlohy.
2.		Reprezentace znalostí. Zadání a práce na 1. úloze.
3.		Odevzdání 1. úlohy.
4.		Inferenční a vysvětlovací mechanizmus. Zadání a práce na 2. úloze.
5.		Odevzdání 2. úlohy.
6.		Neurčitost. Zadání a práce na 3. úloze.
7.		Odevzdání 3. úlohy.
8.		Fuzzy logika. Zadání a práce na 4. úloze.
9.		Extrakce pravidel 1
10.		Odevzdání 4. úlohy.
11.		Neuronové sítě
12.		Extrakce pravidel 2
13.		Odevzdání závěrečné úlohy a udělení zápočtů.

Literatura:

1.		Rout J. K., Rout M., Das H. : Machine Learning for Intelligent Decision Science (Algorithms for Intelligent Systems). Springer, 2020. ISBN 978-981-15-3689-2.
2.		Kendal S., Creen M. : An Introduction to Knowledge Engineering. Springer, 2006. ISBN 978-1846284755.
3.		Brachman R., Levesque H. : Knowledge Representation and Reasoning. Morgan Kaufmann, 2004. ISBN 978-1558609327.
4.		Akerkar R., Sajja P. : Knowledge-Based Systems. Jones & Bartlett Learning, 2009. ISBN 978-0763776473.

Požadavky:
Vstupní znalosti: Základní znalosti matematické logiky, pravděpodobnosti.a statistiky.

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr BI-SPOL.21 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study VO 3 BI-UI.21 Umělá inteligence 2021 PV 5