Umělá inteligence (2312014)
Departments:ústav mechaniky, biomech.a mechatr. (12105)
Abbreviation:UIApproved:16.01.2018
Valid until: ??Range:2P+0C
Semestr:Credits:2
Completion:KZLanguage:CS
Annotation
Úlohy a výzvy umělé inteligence (UI), historie UI, Turingova, Minského a Kotkova definice UI, přístupy matematické logiky. SW a HW prostředky pro rychlý vývoj a implementace UI, komerční vs. open-source nástroje, moderní trendy pro UI (CUDA, neuromorfní HW, cloudové technologie). Produkční systémy, reprezentace znalostí a expertní systémy, rekomendační systémy. UI založená na strojovém učení a zpracování dat, přehled nástrojů výpočetní inteligence pro UI. Klasifikace, rozhodovací stromy, stromové algoritmy, gradient boosting. Neuronové sítě (NS), rozdělení, základní pojmy a principy,mělké vs. hluboké NS (Deep Learning). Inkrementální a dávkové algoritmy strojového učení s učitelem, (Levenberg-Marquardt, konjugované gradienty, entropické kriteriální funkce). Lineární a polynomiální neuronové architektury, MLP, Extreme Machine Learning, Echo State NS. Třídění dat (clustering), samoorganizační NS (SOM). Redukce dimenzionality, PCA, autoenkodéry, Konvoluční sítě, Deep Learning, hluboké neuronové sítě. Neurčité informace a neurčitosti v datech. Fuzzy logika a fuzzy množiny, Fuzzy pravidlové systémy , Neuro-Fuzzy systémy . Fuzzy množiny druhého typu, nejistota 2.typu ve vztahu k chybě měřených dat.
Teacher's
doc. Ing. Ivo Bukovský Ph.D.
Letní 2021/2022
Structure
1) Úlohy a výzvy umělé inteligence (UI), historie UI, Turingova, Minského a Kotkova definice UI, přístupy matematické logiky.
2) SW a HW prostředky pro rychlý vývoj a implementace UI, komerční vs. open-source nástroje, moderní trendy pro UI (CUDA, neuromorfní HW, cloudové technologie).
3) Produkční systémy, reprezentace znalostí a expertní systémy, rekomendační systémy.
4) UI založená na strojovém učení a zpracování dat, přehled nástrojů výpočetní inteligence pro UI.
5) Klasifikace, rozhodovací stromy, stromové algoritmy, gradient boosting.
6) Neuronové sítě (NS), rozdělení, základní pojmy a principy,mělké vs. hluboké NS (Deep Learning).
7) Inkrementální a dávkové algoritmy strojového učení s učitelem, (Levenberg-Marquardt, konjugované gradienty, entropické kriteriální funkce).
8) Lineární a polynomiální neuronové architektury, MLP, Extreme Machine Learning, Echo State NS
9) Třídění dat (clustering), samoorganizační NS (SOM).
10)Redukce dimenzionality, PCA, autoenkodéry,
11) Konvoluční sítě, princip Deep Learning a hluboké neuronové sítě.
12) Neurčité informace a neurčitosti v datech.
13) Fuzzy logika a fuzzy množiny, Fuzzy pravidlové systémy, Neuro-Fuzzy systémy.Fuzzy množiny druhého typu, nejistota 2.typu ve vztahu k chybě měřených dat.
Literarture
Mařík, V. a kol.: Umělá inteligence 1-4, Academia, Praha 1993-2003
Valášek, M. a kol.: Mechatronika, Vydavatelství ČVUT, Praha 1996
Keywords
Umělá inteligence
data online/KOS/FS :: [Helpdesk] (hlášení problémů) :: - print date: 16.10.2024, 0:27 © 2011-2022 [CPS] v3.8 (master/ade9e2c3/2024-10-11/07:15)