Kapitola 1: Úvod do umělé inteligence
- co je a co není umělá inteligence
- slabá a silná umělá inlitegence
- úlohy umělé inteligence (strojové učení, prohledávání prostoru,
optimalizace, plánování, strojové vnímání,
- zpracování přirozeného jazyka)
- příklady aplikací umělé inteligence v jednotlivých oblastech
- historie a milníky umělé inteligence
Kapitola 2: Data a informace
- rozdíl mezi daty a informacemi
- data sety a jejich vznik
- strukturovaná vs. nestrukturovaná data
- co jsou big data a jak s nimi zacházet
- intuice vs. fakta
- příklady selhání intuice
- praktické příklady rozhodování na základě dat
- základy popisné statistiky
- vizualizace dat
- reprezentativnost dat
- změny podmínek
- bias v datech
- osobní data a GDPR
Kapitola 3: Úvod do strojového učení a jeho aplikací
- co je učení a čím je specifické strojové učení
- generalizace vs. memorování
- proces strojového učení
- strojové učení s učitelem a bez učitele
- klasifikace
- regrese
- shlukování
- zpětnovazební učení
- vybrané aplikace ze zpracování obrazu, zpracování přirozeného jazyka,
doporučování a hraní her
Kapitola 4: Filosofie umělé inteligence
- turingův test a argument čínského pokoje
- exponenciální růst
- bezpečnost a férovost metod umělé inteligence
- společenský dopad umělé inteligence (seberou nám stroje práci?)
- etické otázky v umělé inteligenci
Kapitola 5: Základy datové analýzy v jazyce Python
- základy a syntax jazyka Python 3.x (základní datové struktury, cykly,
podmínky, základy OOP, serializace)
- vektory, matice a práce s nimi v knihovně NumPy
- seznámení s Jupyter notebooky v prostředí Google Colab
- načítání dat a jednoduchá manipulace s nimi v knihovně Pandas
- praktické příklady na jednoduchou manipulaci s daty a vyvozování závěrů z
nich
Kapitola 6: Regrese
- opakování definice regrese a jejího použití
- proces regresní analýzy od přípravy dat až po trénování, predikci a
validaci
- matematické základy – vektor, vektorový prostor, nadrovina, geometrická
interpretace derivace
- datové struktury – grafy a stromy
- lineární regese
- rozhodovací stromy pro regresi
- praktická cvičení v knihovně ScikitLearn
Kapitola 7: Klasifikace
- opakování definice klasifikace a jejího použití
- proces klasifikace od přípravy dat až po trénování, predikci a validaci
- matematické základy – logaritmy
- logistická regrese
- křížová entropie
- rozhodovací stromy pro klasifikaci
- praktická cvičení v knihovně ScikitLearn
Kapitola 8: Umělé neuronové sítě
- perceptron a jeho vztah k lineární a logistické regresi
- opakování maticového počtu
- nejběžnější aktivační funkce
- chybové funkce v neuronových sítích
- dopředné neuronové sítě
- algoritmus zpětné propagace chyby (intuitivně)
- klasifikace a regrese
- konvoluční neuronové sítě
- vizualizace neuronových sítí
- základy knihovny Tensorflow/Keras pro implementaci neuronových sítí
- praktická cvičení na řešení různých problémů z běžného života pomocí
neuronových sítí
- zpracování obrazu pomocí neuronových sítí
