PředmětyPředměty(verze: 945)
Předmět, akademický rok 2023/2024
   Přihlásit přes CAS
Umělá inteligence 2 - NAIL070
Anglický název: Artificial Intelligence 2
Zajišťuje: Katedra teoretické informatiky a matematické logiky (32-KTIML)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2020
Semestr: letní
E-Kredity: 3
Rozsah, examinace: letní s.:2/0, Zk [HT]
Počet míst: neomezen
Minimální obsazenost: neomezen
4EU+: ne
Virtuální mobilita / počet míst pro virtuální mobilitu: ne
Stav předmětu: vyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Způsob výuky: prezenční
Další informace: http://ktiml.mff.cuni.cz/~bartak/ui2/
Garant: prof. RNDr. Roman Barták, Ph.D.
Třída: Informatika Mgr. - Teoretická informatika
Kategorizace předmětu: Informatika > Teoretická informatika
Anotace -
Poslední úprava: prof. RNDr. Roman Barták, Ph.D. (05.06.2017)
Přednáška se zabývá způsoby práce s nejistotou v umělé inteligenci a základními metodami strojového učení. Předpokládají se znalosti v rozsahu bakalářského kursu NMAI059 Pravděpodobnost a statistika.
Cíl předmětu -
Poslední úprava: prof. RNDr. Roman Barták, Ph.D. (06.10.2017)

Naučit vybrané obecně aplikovatelné techniky umělé inteligence: zpracování neurčitosti, racionální rozhodování a strojové učení.

Podmínky zakončení předmětu -
Poslední úprava: prof. RNDr. Roman Barták, Ph.D. (28.04.2020)

Předmět je zakončen ústní zkouškou, která může být ve výjimečných případech distanční.

Literatura -
Poslední úprava: prof. RNDr. Roman Barták, Ph.D. (06.10.2017)

S. Russell, P. Norvig: Artificial Intelligence; A Modern Approach, 2003

V. Mařík, O. Štepánková, J. Lažanský a kol.: Umělá Inteligence, 1-6. Academia, Praha

Metody výuky -
Poslední úprava: prof. RNDr. Roman Barták, Ph.D. (06.10.2017)

přednáška

Požadavky ke zkoušce -
Poslední úprava: prof. RNDr. Roman Barták, Ph.D. (06.10.2017)

Zkouška se skládá z písemné přípravy a ústní části. Požadavky odpovídají sylabu předmětu.

Sylabus -
Poslední úprava: prof. RNDr. Roman Barták, Ph.D. (05.06.2017)

Práce s neurčitostí: pravděpodobnostní metody, Bayesovské sítě, Markovské modely.

Racionální rozhodování: teorie užitku, Markovské rozhodovací procesy, rozhodování v prostředí s více agenty, (inverzní) teorie her.

Strojové učení: učení s učitelem, rozhodovací stromy, regrese, SVM, boosting; prohledávání prostoru hypotéz; učení pravděpodobnostních modelů, EM algoritmus; zpětnovazební učení.

 
Univerzita Karlova | Informační systém UK