Umělá inteligence - NSZI065 (Obecná informatika Bc. - IPP5 - zaměření Umělá inteligence)

• Anglický název: Artificial Inteligence
• Zajišťuje: Studijní oddělení (32-STUD)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2021
• Semestr: oba
• E-Kredity: 0
• Rozsah, examinace: 0/0, SZ [HT]
• Počet míst: neomezen
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: čeština
• Způsob výuky: prezenční
• Způsob výuky: prezenční
• Poznámka: student může plnit i v dalších letech; za splnění nejsou body; předmět lze zapsat v ZS i LS

Požadavky ke zkoušce

Poslední úprava: Mgr. Dina Novotná Obeidová (07.02.2024)

Požadavky znalostí ke státní závěrečné zkoušce společné pro všechny specializace

Matematika

1. Základy diferenciálního a integrálního počtu

Posloupnosti reálných čísel a jejich limity. Řady. Reálné funkce jedné reálné proměnné. Derivace a její aplikace. Integrály a jejich aplikace.

2. Algebra a lineární algebra

Algebraické struktury. Soustavy lineárních rovnic. Matice. Vektorové prostory. Lineární zobrazení. Skalární součin. Determinanty. Vlastní čísla a vlastní vektory. Positivně semidefinitní a positivně definitní matice.

3. Diskrétní matematika

Relace. Ekvivalence a rozkladové třídy. Částečná uspořádání. Funkce. Permutace a jejich základní vlastnosti. Kombinační čísla a vztahy mezi nimi, , binomická věta a její aplikace. Princip inkluze a exkluze. Hallova věta o systému různých reprezentantů a její vztah k párování v bipartitním grafu.

4. Teorie grafů

Základní pojmy teorie grafů. Základní příklady grafů. Souvislost grafů, komponenty souvislosti, vzdálenost v grafu. Stromy, jejich vlastnosti, ekvivalentní charakteristiky stromů. Rovinné grafy. Barevnost grafů. Hranová a vrcholová souvislost grafů. Orientované grafy, silná a slabá souvislost. Toky v sítích.

5. Pravděpodobnost a statistika

Pravděpodobnostní prostor, náhodné jevy, pravděpodobnost. Náhodné veličiny a jejich rozdělení. Limitní věty. Bodové odhady. Intervalové odhady: metoda založená na aproximaci normálním rozdělením. Testování hypotéz.

6. Logika

Syntaxe. Sémantika. Extenze teorií. Dokazatelnost. Věty o kompaktnosti a úplnosti výrokové a predikátové logiky. Rozhodnutelnost.

Informatika

1. Automaty a jazyky

Regulární jazyky. Bezkontextové jazyky. Rekurzivně spočetné jazyky. Chomského hierarchie.

2. Algoritmy a datové stuktury

Časová složitost algoritmů. Třídy složitosti. Metoda rozděl a panuj. Binarní vyhledávací stromy. Třídění. Grafové algoritmy.

3. Programovací jazyky

Koncepty pro abstrakci, zapouzdření a polymorfizmus. Primitivní a objektové typy a jejich reprezentace. Generické typy a funkcionální prvky. Manipulace se zdroji a mechanizmy pro ošetření chyb. Životní cyklus objektů a správa paměti. Vlákna a podpora synchronizace. Implementace základních prvků objektových jazyků. Nativní a interpretovaný běh, řízení překladu a sestavení programu.

4. Architektura počítačů a operačních systémů

Základní architektura počítače, reprezentace čísel, dat a programů. Instrukční sada, vazba na prvky vyšších programovacích jazyků. Podpora pro běh operačního systému. Rozhraní periferních zařízení a jejich obsluha. Základní abstrakce, rozhraní a mechanizmy OS pro běh programů, sdílení prostředků a vstup/výstup. Paralelismus, vlákna a rozhraní pro jejich správu, synchronizace vláken.

***************************

Studenti specializace Umělá inteligence budou navíc zkoušeni z tematických okruhů, které si závazně vybírají při přihlašování se ke státní závěrečné zkoušce.

Základy umělé inteligence

Řešení úloh prohledáváním. Splňování omezujících podmínek. Logické uvažování. Pravděpodobnostní uvažování. Reprezentace znalostí. Automatické plánování. Markovské rozhodovací procesy (MDP). Hry a teorie her. Strojové učení.

Robotika

Kinematika. Řídicí systémy. Pohyb, senzorika. Lokalizace a mapování. Zpracování obrazu a počítačové vidění.

Strojové učení

Učení s~učitelem. Učení založené na příkladech. Lineární regrese. Logistická regrese. Rozhodovací stromy. Metoda podpůrných vektorů. Kombinace více modelů. Statistické testy. Učení bez učitele.

Zpracování přirozeného jazyka

Roviny popisu jazyka, morfologická a asyntaktická analýza. Základy teorie pravděpodobnosti a teorie informace. Statistické metody zpracování přirozeného jazyka, jazykové modely. Strojové učení, klasifikace, regrese. Odhad generalizační chyby, přetrénování, regularizace. Vektorové reprezentace slov, základy hlubokého strojového učení. Aplikace zpracování přirozeného jazyka, příklady evaluačních měr.