Na těchto stránkách najdete (doufám) všechny potřebné informace jednak ke zdárnému absolvování předmětu a jednak (a to zejména) ke snadnému uvedení do problematiky strojového učení jako fundamentální oblasti umělé inteligence. Předmět si klade za cíl poskytnout ucelený a přehledný obraz základních paradigmat učících se systémů a fundamentálních technik strojového učení (Machine Learning) s přihlédnutím především k jejich praktické aplikaci v oblasti umělé inteligence a inteligentního software. Důraz je kladen zejména na pochopení těch technik strojového učení, které tvoří základ či podstatu komplexnějších moderních metod. Dále je částečně věnována pozornost problematice rozhodování (Decision Making), řešení problémů (Problem Solving) a samozřejmě také reprezentace znalostí.
Co můžete od předmětu očekávat?
Přednášející je veden snahou především ukázat cesty k pochopení fundamentálních principů, na kterých stojí dnešní umělá inteligence. Možná budete místy i zklamáni, že přednášené metody a postupy nejsou nijak úžasně komplikované, nicméně jejich výběr je zvolen tak, aby reprezentovaly důležité problémy, se kterými se strojová inteligence potýká, a také aby dovolovaly samostudiem postupovat k sofistikovanějším metodám, které jsou od nich odvozeny. Často budeme také diskutovat o charakteru řešených problémů - takové diskuse by měly ukázat, že mnohdy tkví podstata problému v něčem jiném, než se na první pohled zdá...
Co naopak očekávat nelze?
Nečekejte prozrazení zázračných návodů na to, jak udělat z počítače geniální myslící entitu. Dokonce se nebudeme věnovat ani složitým moderním algoritmům, neboť jsou většinou teoreticky velmi komplikované a jejich vysvětlení by zabralo mnoho času a zároveň jsou obvykle jen hodně vyladěnými verzemi základních postupů (kterým se v předmětu věnujeme).
Předpoklady úspěšného absolvování
Nejdůležitějším předpokladem je samozřejmě chuť do práce. Jde o ryze přírodovědný předmět, a tak pochopitelně nestačí se naučit zpaměti text přednášek - je třeba "prozřít", pochopit podstatu... Některé přednášené techniky jsou matematicky poněkud náročnější a mohou tedy vyžadovat např. domácí studium příslušných partií aplikované matematiky. Budeme se opírat především o poznatky z lineární algebry (matice, vektory, prostory) a statistiky (pravděpodobnost) a občas využijeme matematické analýzy (např. derivace).
Velice žádoucí dovedností je schopnost studovat odborné materiály v angličtině. Jelikož v oboru umělé inteligence obecně chybí odborná literatura v českém jazyce, prakticky všechny materiály jsou anglicky. Pro technika – zvláště v oboru informatiky a výpočetní techniky – by však v dnešní době měla být angličtina druhou přirozeností...
Poznámka na okraj
V minulých letech valná většina průšvihů, které skončily špatnou známkou nebo nějak hůř, vyplynula z toho, že dotyčný student nechal řešení objevivšího se problému na poslední chvíli. Uděláme vše, co je v našich silách, abychom vám v případě komplikací se studiem předmětu pomohli, ale řešte s námi své problémy včas...
Přejeme vám hodně úspěchů při studiu.
Kamil Ekštein a Ondřej Pražák
(vaši vyučující)