Poslední úprava: RNDr. Martin Holub, Ph.D. (06.06.2023)
Výuka probíhá jako demonstrace metod umělé inteligence na názorném řešení záměrně různorodých praktických úloh, jako jsou např. automatické rozpoznávání autorství, rodného jazyka, určování doby vzniku textu, předpovídání úspěšnosti reklamních kampaní, analýza textů ze sociálních sítí, marketingová analýza nákupních košíků, analýza a vizualizace sítě odkazů nebo podobnosti obrázků a různé problémy z oblasti psychometrie. Studenti jsou vedeni k samostatné analýze datových zdrojů s humanitním nebo společenskovědním obsahem a získávají znalosti potřebné k využívání metod umělé inteligence implementovaných v softwarovém prostředí R. Přitom jsou probírána zejména následující témata:
Část I – Předehra k metodám umělé inteligence
- Obecné technologické principy umělé inteligence a statistického strojového učení
- Historický přehled vývoje umělé inteligence z technologického a uživatelského pohledu
- Dostupné technologie pro zpracování textových dat
- Nástroje z balíčku tidyverse v prostředí R
Část II – Klasické metody statistického strojové učení
- Princip učení z příkladů, klasifikace a regrese
- Použití a parametrizace vybraných učících algoritmů
- Vyhodnocování experimentů
Část III – Hluboké učení v neuronových sítích
- Architektury neuronových sítí
- Reprezentace textových dat pomocí tzv. embeddings
- Trénování neuronových sítí
Poslední úprava: doc. Mgr. Barbora Vidová Hladká, Ph.D. (24.05.2023)
The teaching is conducted through demonstrations of Artificial Intelligence methods on illustrative solutions of intentionally diverse practical tasks. These tasks include automatic authorship recognition, native language identification, text age estimation, predicting the success of advertising campaigns, analyzing texts from social media, conducting shopping cart analysis, analyzing and visualizing citation networks, visualizing image similarities, and various problems in psychometrics. Students are guided towards independent analysis of data sources from the humanities or social sciences and they acquire the knowledge necessary to use Artificial Intelligence methods implemented in the R software system. We particularly focus on the following topics:
Part I - Introduction to Artificial Intelligence methods
General technological principles of Artificial Intelligence and statistical Machine Learning
Historical overview of Artificial Intelligence development from a technological and user perspective
Statistical data analysis
Technologies available for processing textual data
Tools from the tidyverse package in the R software system
Part II - Traditional methods of statistical machine learning
Principles of learning from examples, classification and regression
Use and parameterization of selected learning algorithms
Clustering
Experiment evaluation
Part III - Deep Learning in Neural Networks
Neural Network Architecture
Representation of textual data using embeddings
Training Neural Networks