Obsah

Mgr. minor: Umělá inteligence

Minor umělá inteligence je vhodným doplňkem všech oborů magisterského studia. Minor lze vystudovat v případě, že student vystuduje libovolnou čtveřici povinných předmětů oboru umělá inteligence, které nejsou povinnými předměty jeho hlavního oboru. Předměty umělé inteligence se dělí především na předměty zaměřené spíše na strojové učení a datovou analýzu: Statistical Machine Learning, Symbolické strojové učení, nebo na algoritmickou umělou inteligenci: Multi-agentní systémy, Plánování pro umělou inteligenci, Logické usuzování a programování a Umělá inteligence v robotice. Zatímco pro obory jako je datová věda, počítačové vidění a digitální obraz nebo bioinformatika jsou vhodným dopňkem právě předměty algoritmické umělé inteligence, pro obor kybernetická bezpečnost se hodí spíše předměty strojového učení. Ostatní obory se dají doplňovat libovolnou kombinací oborových předmětů oboru.

Garant minor oboru


   

  • Dr. prof. Michal Pěchouček, MSc.

 

 

Doporučený průchod studiem

Minor lze vystudovat v případě, že student vystuduje libovolnou čtveřici povinných předmětů oboru umělá inteligence, které nejsou povinnými předměty jeho hlavního oboru. 

Obecná charakteristika předmětů je tato:

  • Cílem předmětu Statistical Machine Learning (BE4M33SSU) je návrh systémů (modelů a algoritmů) pro řešení daných úloh na základě jejich částečné znalosti a příkladů. Aplikace strojové učení lze například nalézt ve zpracování zvuku a obrazu.
  • Zájemci o programování distribuovaných systémů si mohou zapsat předmět Multi-agentní systémy (B4M36MAS). Velkou roli zde hraje nutnost spolupráce a vyjednávání mezi agenty a jejich skupinami, studenti se naučí programovat ve speciálních jazycích pro implemetaci kognitivních agentů. Doporučení na základě hlavní specializace není jednoznačné.
  •  V rámci predmětu Symbolické strojové učení (B4M36SMU) se studenti seznámí s metody, pomocí kterých se inteligentní agent může učit, tj. zlepšovat své chování z pozorovaných dat a doménových znalostí. Předmět se zabývá technikami konstrukce netriviálních symbolických modelů (grafů nebo logických) pozorovaného světa. Vysvětlené budou základní principy výpočetní teorie učení, která umožní pochopit, proč a kdy je možné úspěšné učení z dat. 
  • Předmět Plánování pro umělou inteligenci (B4M36PUI) pokrývá problematiku plánování v umělé inteligenci a zaměřuje se především na doménově nezávislé modely plánovacích problémů: plánování jako prohledávání prostoru stavů (state-space planning), prostoru plánů (plan-space planning), heuristické plánování, plánování v grafové reprezentaci plánovacího problému (graph-plan) nebo hierarchické plánování. Studenti budou rovněž seznámeni s problematikou plánování za neurčitosti a modelem plánovacího problému jako rozhodovací úlohu MDP a POMDP.
  • Logické usuzování a programování (B4M36LUP)  v rámci kterého budou vysvětleny teoretické principy použité při konstrukci systémů automatického logického dokazování (model checking, rezoluce, tableaux) a jejich praktická i teoretická omezení. Dále se předmět věnuje programování v jazyce Prolog, v němž je dokazovací strategie využita jako mechanismus pro obecné symbolické výpočty.
  • Cílem predmětu Umělá inteligence v robotice (B4M36UIR) je seznámit studenty s využitím přístupů plánování a rozhodování umělé inteligence pro řešení problémů v autonomních a robotických systémech. Studenti v předmětu využijí znalosti algoritmů plánování, teorie her, řešení optimalizačních úloh a multi-agentního vyjednávání ve vybraných aplikačních scénářích mobilní robotiky.