Umělá inteligence - NSZI072 (Informatika nMgr. - 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 (14.07.2022)

Státní závěrečná zkouška

Student si volí tři okruhy z~nabídky daného zaměření a~z~každého dostane po jedné otázce. Jeden okruh si může student vybrat z~nabídky jiného zaměření programu.

Zkušební požadavky

Reprezentace znalostí a~řešení úloh

Výroková a~predikátová logika; splnitelnost a~dokazatelnost, strojové dokazování vět, model checking (DPLL), dopředné a~zpětné řetězení, rezoluční metoda a~unifikace. Podmíněná nezávislost, Bayesovské sítě, výpočet v~Bayesovské síti, markovské rozhodovací procesy, částečně pozorovatelné markovské rozhodovací procesy, zpětnovazební učení. Prohledávací algoritmy; stavový prostor, stromové, grafové a~lokální prohledávání, neinformované a~heuristické prohledávání. Hry a~základy teorie her. Splňování omezujících podmínek; konzistenční techniky, globální podmínky. Automatické plánování; plánovací doména a~problém, plánovací operátory, základní plánovací techniky a~algoritmy.

Neprocedurální programování

Odlišnost procedurálního a~neprocedurálního způsobu programování. Principy funkcionálního a~logického programování. Lambda kalkulus, syntax, principy redukce. Churchova a~Rosserova vlastnost a~konsistence kalkulu. Věty o~pevném bodu. Normální tvar objektů. Typovaný lambda kalkul. Substituce a~unifikace. Hornovy klauzule, SLD-rezoluce a~logické programy. Čistý Prolog, negace definovaná neúspěchem, obecné logické programy. Postačující podmínky ukončení výpočtu. Implementace Prologu. Logické programování s~omezujícími podmínkami.

Multiagentní systémy

Architektura autonomního agenta; percepce, mechanismus výběru akcí, paměť; psychologické inspirace. Metody pro řízení agentů; symbolické a~konekcionistické reaktivní plánování, hybridní přístupy. Problém hledání cesty; navigační pravidla, reprezentace terénu. Komunikace a~znalosti v~multiagentních systémech, ontologie, řečové akty, FIPA-ACL, protokoly. Distribuované řešení problémů, kooperace, Nashova ekvilibria, Paretova efektivita, alokace zdrojů, aukce. Etologické motivace, modely populační dynamiky. Metody pro učení agentů; zpětnovazební učení, základní formy učení zvířat. Metodologie návrhu, jazyky a~prostředí multiagentních systémů.

Přírodou inspirované počítání

Genetické algoritmy, genetické a~evoluční programování. Teorie schémat, pravděpodobnostní modely jednoduchého genetického algoritmu. Evoluční strategie, diferenciální evoluce, koevoluce, otevřená evoluce. Rojové optimalizační algoritmy. Memetické algoritmy, hill climbing, simulované žíhání. Aplikace evolučních algoritmů (evoluce expertních systémů, neuroevoluce, řešení kombinatorických úloh, vícekriteriální optimalizace).

Strojové učení a~jeho aplikace

Strojové učení; učení s~učitelem a~bez učitele, zpětnovazební učení, teoretické aspekty strojového učení. Pravděpodobnostní přístupy; neorientované grafické modely, Gaussovské procesy. Evoluční algoritmy; základní pojmy a~teoretické poznatky, hypotéza o~stavebních blocích, koevoluce, aplikace evolučních algoritmů. Strojové učení v~počítačové lingvistice. Algoritmy pro analýzu biologických sekvencí; hledání motivů v~DNA, Markovské modely a~strategie pro detekci genů či predikci struktury proteinů.

Neuronové sítě

Modely pro učení s~učitelem; algoritmus zpětného šíření, strategie pro urychlení učení, regularizační techniky a~generalizace. Asociativní paměti; Hebbovské učení a~hledání suboptimálních řešení, stochastické modely. Umělé neuronové sítě založené na principu učení bez učitele. Modulární, hierarchické a~hybridní modely neuronových sítí. Modely hlubokých neuronových sítí; konvoluční neuronové sítě, sítě typu DBN a~LSTM-sítě. Evoluční učení neuronových sítí a~jeho aplikace.

Dobývání znalostí

Základní paradigmata dobývání znalostí. Příprava dat; výběr atributů a~metody pro analýzu jejich relevance. Metody pro dobývání znalostí; asociační pravidla, přístupy založené na principu učení s~učitelem a~klastrová analýza. Metody pro extrakci charakteristických diskriminačních pravidel a~měření jejich zajímavosti. Reprezentace, vyhodnocování a~vizualizace získaných znalostí. Modely pro analýzu sociálních sítí; míry centrality, detekce komunit. Praktické využití technik pro dobývání znalostí a~analýzu sociálních sítí.

Lokalizace a~mapování

Základní typy lokalizace. Pravděpodobnostní lokalizace, částicové filtry, metody Monte-Carlo. Reprezentace prostředí, reprezentace map, problém korespondence, mapování v~dynamickém prostředí. Vztah lokalizace a~mapování, SLAM.

Řídící systémy

Řídící systémy robotů. Zpracování signálu, rozpoznávání, feature matching and tracking. Systémy pro modelování, virtuální robotika, simulátory. Distribuované algoritmy, systémy řízení pro multirobotické systémy, komunikace, synchronizace, koordinace. Softwarová realizace, programování pro specifické běhové prostředí, ladící prostředky a~postupy.

Robotické systémy

Základní kinematický a~dynamický model, inverzní kinematika a~dynamika. Nízkoúrovňový hardware a~software, vestavěné systémy. Typy senzorů a~aktuátorů, principy a~typické oblasti použití. Vysokoúrovňové robotické systémy a~jejich řízení: manipulátory, mobilní robotika, autonomní robotika.

Plánování a~navigace

Základní navigační postupy: dead-reckoning, odometrie, triangulace a~trilaterace, inerciální navigace. Navigační a~prohledávací algoritmy. Plánování akcí, formulace plánovacího problému, základní plánovací algoritmy, plánování s~časem a~zdroji.