Radim Belohlavek
home | curriculum vitae | publications | teaching | miscellanea

stránky předmětu KMI/UMIN - Umělá inteligence- ZS 2019/2020
základní informace | popis předmětu | poznámky k přednáškám

základní informace

předmět KMI/UMIN - Umělá inteligence - ZS 2019/2020
vyučující přednášející: Radim Bělohlávek, http://belohlavek.inf.upol.cz/
cvičící: Radim Bělohlávek
čas a místo čtvrtek 8:00 - 9:30, LP-1032 (přednáška), 9:30 - 10:15, LP-1032 (cvičení),
studijní materiály
slajdy a další materiály Budou umísťovány na této stránce.
doporučená literatura Viz popis předmětu.
absolvování předmětu Zápočet: Zápočet bude udělen na základě samostatné práce. Zadání budou zveřejněna během semestru.
Zkouška: Ústní v termínech vypsaných v systému STAG. Před zahájením zkoušky musí mít student zápočet.
Student obdrží otázky a bude mít cca 20 min na přípravu (tužka a papír). Pak půjde k ústnímu zkoušení (cca 25 min).

popis předmětu

Viz informace o předmětu v systému STAG, který je součástí Portálu Univerzity Palackého. Obsahuje základní informace o předmětu včetně následujících:

poznámky k přednáškám

Budou doplňovány během semestru.
26. 9. 2019
3. 10. 2019
  • Umělé neuronové sítě. Úvod. Biologické principy neuronových sítí.
  • Perceptron. Učení perceptronu a věta o konvergenci. Meze perceptronu. Sítě perceptronů. Materiály.
10. 10. 2019
  • Vícevrstvé neuronové sítě s dopředným šířením signálu. Metoda backpropagation a její varianty. Univerzální aproximace. Materiály.
17. 10. 2019
  • Generalizace a přeučení. Odvození rovnic pro backpropagation.
  • Asociace a asociativní sítě. Hopfieldovy sítě. Použití Hopfieldových sítí pro řešení diskrétní optimalizace. Materiály.
24. 10. 2019
  • Konvergence činnosti Hopfieldovy sítě; vlastnosti funkce energie.
  • Samoorganizující se neuronové sítě. Kohonenovy mapy. LVQ. Materiály.
24. 10. 2019 Témata zápočtových prací (budu přidávat další; student může také navrhnout vlastní téma):
  1. Učení perceptronu: demonstrace (aplikace)
  2. Konvergence učení preceptronu (písemný referát: teorém, důkaz)
  3. Univerzální aproximační schopnost vícevrstvých neuronových sítí (písemný referát: teorém, důkaz)
  4. Učení backpropagation (implementace, experimenty, písemný popis)
  5. Hopfieldova síť (implementace, experimenty, písemný popis)
  6. Použití Hopfieldovy sítě pro řešení úlohy obchodního cestujícího (experimenty, popis)
  7. Kompetiční učení (implementace, experiment s reálnými daty, písemný popis)
  8. Kohonenovy mapy (implementace, demonstrace snížení dimenzionality 3D -> 2D)
  9. Univerzální aproximační schopnost pravidlových fuzzy systémů (písemný referát: teorém, důkaz)
  10. Takagi-Sugeno pravidlové fuzzy systémy (písemný referát: popis přístupu)
  11. Pravidlové fuzzy systémy (implementace, vývoj jednoduchého systému, popis)
  12. MYCIN (písemný referát o významném expertním systému z oblasti lékařství)
  13. Genetický algoritmus (implementace GA pro jednoduchý optimalizační problém)
  14. Faktorizace binárních dat pomocí formálních konceptů (písemný referát).
  15. Faktorizace binárních dat pomocí formálních konceptů (implementace algoritmu GreConD).
  16. Společenská rizika umělé inteligence (písemný referát).
  17. Dopady AI na trh práce (písemný referát). What jobs are affected by AI? The Impact of Artificial Intelligence on the Labor Market.
31. 10. 2019
7. 11. 2019
14. 11. 2019
21. 11. 2019
  • Přednáška ani cvičení se nekoná. Studenti si projdou výše uvedené doplňující materiály k pravidlovým fuzzy systémům a části výše uvedených materiálů k hlavní větě o konceptuálních svazech.
28. 11. 2019
  • Expertní systémy založené na predikátové logice a automatickém dokazování. Rezoluční metoda a logické programování. Abstraktní a deterministický překladač Prologu. Materiály.
5. 12. 2019
19. 12. 2019