Přednášky

Slidy se mohou změnit ještě i těsně před danou přednáškou. Předběžné verze se budeme snažit dát k dizpozici dopředu. Samotné slidy ovšem nejsou postačujícím materiálem ke zvládnutí předmětu. Po přednášce budou slidy ještě aktulizovány, doplněny o pracovní část. Nalezení chyb v materiálech (web, slidy) odměníme bonusovými body.

Tabulka programu přednášek bude průběžně aktualizována. Věnujte pozornost nepravidelnostem a přesunu rozvrhů, viz http://www.fel.cvut.cz/cz/education/harmonogram

datum	č.t.	S/L	náplň
20.02.2019	1	S	Úvod. Co se v předmětu naučíme, pravidla hry. Kybernetika, umělá inteligence - historie, k čemu to je. Proč se tomu věnovat. N-puzzle. 01_intro_mh_2019_v1.1_czkui_compresssed.pdf
27.02.2019	2	L	Řešení problémů prohledáváním. Stromy a grafy. Jak neskončit ve slepé uličce a kdy skončit. Jak rychleji k cíli. Optimalita, nároky časové i paměťové. 02_search.pdf, 03_search.pdf
06.03.2019	3	S	Heuristiky, jak rychleji k cíli. 03_search.pdf Hledání řešení v případě, když někdo hraje racionálně proti nám - dvouhráčové hry. Minmax, $\alpha-\beta$ prořezávání 04_adversarial.pdf
13.03.2019	4	L	Co když je ve hře soupeře prvek náhody, nebo máme více hráčů. Expectimax. 05_expectimax.pdf
20.03.2019	5	S	Sekvenční rozhodování za neurčitosti I. Jak nalézt cestu k cíli, když v každém kroku závisí skutečný výsledek akce na náhodě. Value iteration. 06_mdp.pdf
27.03.2019	6	L	Sekvenční rozhodování za neurčitosti II. Hledání optimální policy přímo. Policy iteration. 07_mdp.pdf
03.04.2019	7	S	Posilované učení I. Jak nalézt cestu k cíli, když nevíme jak náhodnost vypadá a nemáme mapu. 08_rl.pdf
10.04.2019	8	L	Posilované učení II. Jak kombinovat průzkum a již naučené. Průzkum vs. zužitkování již naučeného. 09_rl.pdf
17.04.2019	9	S	Písemka na přednášce (aka mid-term exam, 15 bodů). Posilované učení III. Co když je prostor stavů příliš veliký a nemůžeme si vše pamatovat v tabulce. Shrnutí prohledávacích algoritmů.
24.04.2019 KN:A-312	10	L	Učebna KN:A-312. Zpět k jednorázovému rozhodování za neurčitosti. Jak rozhodnout optimálně, když známe potřebné podmíněné pravděpodobnosti - Bayesovské rozhodování. 10_bayes.pdf
01.05.2019	11	S	Svátek
08.05.2019	12	L	Svátek
09.05.2019	12.	L	Bayesovské rozhodování a klasifikace, jak klasifikátor hodnotit. 11_recog_a.pdf
14.05.2019	13.	S	Učení rozhodovacího stroje z dat - klasifikátoru. Perceptron. 11_recog_b.pdf
15.05.2019	13	S	Rektorský den
22.05.2019	14	L	Vybrané úlohy z maximální věrohodnosti 12_mle.pdf, a lineárních klasifikátorů 11_recog_c.pdf. Pár slov na závěr, kui-closing-lecture-2019.pdf