Detail předmětu

Implementace algoritmů umělé inteligence

FSI-SAL Ak. rok: 2025/2026 Letní semestr

Garant předmětu

prof. RNDr. Miloslav Druckmüller, CSc.

Zajišťuje ústav

Ústav matematiky

Výsledky učení předmětu

Prerekvizity

Plánované vzdělávací činnosti a výukové metody

Způsob a kritéria hodnocení

Jazyk výuky

čeština

Cíl

Cílem kurzu je seznámit studenty s matematickou podstatou metod umělé inteligence a také je naučit tyto metody implementovat s pochopením. 

Oblasti, kterým se výuka bude věnovat a které studenti nastudují a naprogramují:

1. Metoda nejbližších sousedů, rozhodovací stromy, Support Vector Machine.

2. Výstavba neuronové sítě pro trénování na tabulkových datech.

3. Konvoluční neuronové sítě pro práci s obrazovými daty. 

4. Regional CNN, YOLO pro detekci určitých objektů v obrazech.

5. Autoenkodéry a dekodéry.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Použití předmětu ve studijních plánech

Program N-MAI-P: Matematické inženýrství, magisterský navazující
obor ---: bez specializace, 4 kredity, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., povinná

Osnova

1. Návaznost metod umělé inteligence na expertní systémy.


2.-3. Metody strojového učení (kNN, rozhodovací stromy, SVM, atp.).


4.-5. Základní tvorba neuronových sítí pro tabulková data, vysvětlení šíření chyby a trénování, back-propagation.


6.-7. Konvoluční neuronové sítě (konvoluce, pooling, batch normalization).


8. Autoenkodéry a dekodéry.


9. Využití předtrénovaných knihoven – struktura, implementace


10. R-CNN, YOLO (konvoluční neuronová síť pro vyhledávání v obrazech), transformery

11.-12. Práce na semestrálním projektu, konzultace.


13. Prezentace závěrečných projektů, hodnocení.

Cvičení s počítačovou podporou

13 hod., povinná

Osnova

Cvičení budou v softwaru Matlab nebo programovány v Pythonu s použitím knihoven scikit-learn, pandas, keras, pytorch.


1. Návrh expertního systému v Matlabu (propojení s fuzzy logikou).


2.-3.  Implementace metod kNN, decision trees, SVM na různá data. Testovací a validační data. 


4.-5. Návrh neuronových sítí pro predikci na daných datech (např. lékařská data, ekonomické ukazatele, atp.)


6.-7. Zpracování obrazových databází pro tvorbu konvolučních neuronových sítí (rozpoznání ručně psaných číslic, geometrických tvarů, zvířat).


8. Autoenkodéry a dekodéry – implementace pro odstranění šumu, vyhledávání v obrazech, snížení dimenzionality dat.


9. Předtrénované CNN – ResNet, GoogleNet 


10. R-CNN, YOLO na reálných datech. 


11.-12. Konzultace k semestrálnímu projektu


13. Prezentace, vyhodnocení práce.