F7PBKUIE - Umělá inteligence a expertní systémy

Cílem předmětu je seznámit studenty s metodami, které jsou zmiňovány v souvislosti s umělou inteligencí, a jejich aplikace v medicíně, algoritmy umělé inteligence a jejich mírou schopnosti napodobovat (inteligentní) chování živých organizmů. V předmětu budou probrány systémy a modely, zpětná vazba, adaptace. Stav a stavový prostor, prohledávání stavového prostoru - informované metody (gradientní algoritmy, metoda větví a mezí, A*) a neinformované metody (prohledávání do hloubky a do šířky). Matematická logika (výroková a predikátová), dokazování tvrzení pomocí rezoluce. Rozpoznávání - příznakové a strukturální metody, klasifikace, kritérium minimální vzdálenosti a minimální chyby. Strojové učení, rozhodovací stromy. Znalostní a expertní systémy (diagnostické, plánovací, hybridní). Extrakce znalostí pro znalostní systémy. Distribuovaná umělá inteligence, multiagentní systémy (reaktivní, intencionální, sociální agenti), koordinace, kooperace, komunikace. Evoluční výpočetní techniky, genetické algoritmy, evoluční programování, genetické programování, gramatická evoluce. Neuronové sítě, klasifikátory, aproximátory, vícevrstvá peceptronová síť, metody učení a vybavování. Fuzzy systémy. Analýza, syntéza a zpracování řeči. Robotika

Pro získání zápočtu budou potřeba úspěšně odevzdat 4 domácí úlohy a zápočtovou úlohu. Zkouška bude písemná s ústním dozkoušením.

Osnova přednášek:

1. Definice umělé inteligence. Systémy a modely, zpětná vazba, adaptace.

2. Stav a stavový prostor, prohledávání stavového prostoru - informované metody (gradientní algoritmy, metoda větví a mezí, A*) a neinformované metody (prohledávání do hloubky a do šířky).

3. Matematická logika (výroková a predikátová), dokazování tvrzení pomocí rezoluce.

4. Rozpoznávání - příznakové a strukturální metody, klasifikace, kritérium minimální vzdálenosti a minimální chyby.

5. Strojové učení, rozhodovací stromy.

6. Znalostní a expertní systémy (diagnostické, plánovací, hybridní). Extrakce znalostí pro znalostní systémy.

7. Distribuovaná umělá inteligence, multiagentní systémy (reaktivní, intencionální, sociální agenti), koordinace, kooperace, komunikace.

8. Evoluční výpočetní techniky, genetické algoritmy, evoluční programování, genetické programování, gramatická evoluce.

9. Neuronové sítě, klasifikátory, aproximátory

10. Vícevrstvá peceptronová síť, metody učení a vybavování.

11. Konvoluční neuronové sítě, hluboké neuronové sítě.

12. Analýza, syntéza a zpracování řeči.

13. Využití umělé inteligence v robotice.

14. Nové přístupy v umělé inteligenci.

Osnova cvičení:

1. Implementace základních metod prohledávání stavového prostoru (do hloubky, do šířky). Na úloze Hada

2. Neinformované prohledávání, horolezecká metoda. Na úloze Hada

3. Informované prohledávání prostoru, algoritmus A*. Na úloze Hada

4. Hry pro dva hráče

5. Výběr příznaků a příznakové metody.

6. Implementace klasických metod pro klasifikaci dat a rozpoznávání (k-NN) na datech.

7. Rozpoznávání (Bayesův klasifikátor).

8. Neuronové sítě.

9. Konvoluční sítě, hluboké neuronové sítě.

10. Ovládání autonomního virtuálního robota v prostoru.

11. Neprocedurální programovací jazyky (Prolog) - základy

12. Seznamy v prologu, odvozovací pravidla

13. Implementace jednoduchého expertního systému.

14. Kontrola zápočtových úloh

Povinná literatura:

[1] MAŘÍK, Vladimír, Olga ŠTĚPÁNKOVÁ a Jiří LAŽANSKÝ. Umělá inteligence. Praha: Academia, 2013. ISBN 80-200-0502-1.

Doporučená literatura:

[1] BARTÁK, Roman, Co je nového v umělé inteligenci, Nová beseda, 2017 ISBN 978-80-906751-2-4

[2] ZVÁROVÁ, Jana a kol.: Systémy pro podporu lékařského rozhodování III., Univerzita Karlova, Karolinum, Praha 2009

• Bakalářská studijní specializace Biomedicínská informatika (povinný předmět)
• Bakalářská studijní specializace Informační a komunikační technologie (povinný předmět)