|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KIV / UIR-E
:
Popis předmětu
Pracoviště / Zkratka
|
KIV
/
UIR-E
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Umělá inteligence a rozpoznávání
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
6
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
3
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Angličtina
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
4 / 43
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
0 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Letní semestr
|
Vyučovaný semestr
|
Letní semestr
|
Minimum (B + C) studentů
|
10
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Angličtina
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
1|2|3|4 |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ne
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
1|2|3|4 |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
KIV/UIR a KKY/UI
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
Nejsou definovány
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Studenti se seznámí se základními metodami a postupy používanými v jednotlivých oblastech umělé inteligence - řešení úloh, základy logiky a logického programování, reprezentace znalostí a znalostní systémy, metody rozpoznávání a jejich aplikace.
|
Požadavky na studenta
|
Zápočet - dosažení minimálně 60 % možných bodů ze samostatné práce a testu
Zkouška - dosažení minimálně 60 % možných bodů z písemky
Z důvodu průběžné aktualizace předmětu je pro získání zápočtu při opakovaném zapsání předmětu (viz SZŘ čl. 24 odst. 3) nutné souhlasné vyjádření garanta předmětu.
Upozornění:
Termíny a forma ověřování splnění požadavků mohou být upraveny s ohledem na opatření vyhlášená v souvislosti s vývojem epidemiologické situace v ČR.
|
Obsah
|
1. Úvod - základní pojmy, motivace, (trochu) historie
2 - 3. Řešení úloh: neinformované a informované metody
4. Hry, dekompozice úlohy, AND/OR grafy, evoluční a genetické algoritmy
5. Klasifikace, rozpoznávání, shlukování a regrese - základní pojmy
6. Příznakové metody rozpoznávání
7. Strukturní metody rozpoznávání
8. Neuronové sítě
9. Úvod do reprezentace znalostí
10. Nervový systém, mozek, smysly, paměť, jazyk a řeč
11. Inteligentní agenti
12. Zpracování přirozeného jazyka
13. Shrnutí, diskuze
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Doporučená:
Russell, Stuart J., Norvig, Peter. Artificial intelligence : A modern approach. 2nd ed. Prentice Hall, N.J., 2003. ISBN 0-13-080302-2.
-
Doporučená:
Lukasová, Alena. Formální logika v umělé inteligenci. Vyd. 1. Brno : Computer Press, 2003. ISBN 80-251-0023-5.
-
Doporučená:
Kubík, A. Inteligentní agenty - tvorba aplikačního software na bázi multiagentových systémů. Brno, 2007.
-
Doporučená:
Nilsson, Nils J. Principles of Artificial Intelligence. Springer Verlag, Berlin, 1982.
-
Doporučená:
Mařík, Vladimír. Umělá inteligence (1). Academia, Praha, 1993. ISBN 80-200-0496-3.
-
Doporučená:
Mařík, Vladimír a kol. Umělá inteligence (2). Academia, Praha, 1997.
-
Doporučená:
Mařík, Vladimír a kol. Umělá inteligence (3). Academia, Praha, 2001.
-
Doporučená:
Mařík, Vladimír a kol. Umělá inteligence (4). Academia, Praha, 2003.
-
Doporučená:
V. Mařík, O. Štěpánková, J. Lažanský a kol. Umělá inteligence (5). 2007.
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Příprava na laboratorní měření, zpracování výsledků [1-8]
|
20
|
Kontaktní výuka
|
39
|
Příprava na zkoušku [10-60]
|
40
|
Příprava na dílčí test [2-10]
|
10
|
Praktická výuka [vyjádření počtem hodin]
|
26
|
Příprava prezentace (referátu) [3-8]
|
5
|
Projekt týmový [20-60 / počet studentů]
|
16
|
Celkem
|
156
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
dobrá znalost matematické analýzy, lineární algebry, počtu pravděpodobnosti a matematické statistiky, jakož i schopnosti samostatného studia literatury a doporučených počítačových zdrojů (webových stránek apod.). Dále schopnost aktivního vytváření programových modulů ve vyšších programovacích jazycích (Java, C, C# apod.) |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
absolvováním předmětu student získá: - základní znalosti o jednotlivých metodách umělé inteligence, návrhu metod hledání řešení a návrhu metod rozpoznávání a klasifikace objektů, - schopnosti efektivně využívat postupy a programové nástroje pro návrh programového vybavení pro řešení takových úloh, - schopnosti navrhovat jednodušší logické systémy a verifikovat jejich vlastnosti, seznámit se s teorií logických systémů i možnostmi jejich programové realizace ve speciálních programových jazycích, - schopnosti projektovat a programově realizovat systémy pro reprezentaci znalostí a odvozování nových poznatků, navrhovat takové systémy při využití komerčních databázových systémů, - schopnosti využívat moderní systémy pro řešení a zpracování úloh - evoluční a genetické algoritmy, inteligentní agenty a programově je realizovat a ověřovat jejich vlastnosti |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Kombinovaná zkouška, |
Test, |
Demonstrace dovedností (praktická činnost), |
Individuální prezentace, |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Přednáška s aktivizací studentů, |
Laboratorní praktika, |
E-learning, |
Demonstrace dovedností, |
Samostudium, |
|
|
|
|