Kurz vychází z prezenčního kurzu B3B33KUI a je přizpůsoben formátu kombinovaného studia.
Předmět je úvodem do široké oblasti umělé inteligence a poskytuje potřebné základy pro návrh algoritmů pro řízení strojů. Začíná řešením problémů pomocí prohledávání stavového prostoru a rozšiřuje jej uvažováním nejistoty v přechodech mezi stavy. Dále představuje i základy posilovaného učení pro problémy, kde o přechodech mezi stavy nic nevíme. Poslední část předmětu představuje Bayesovskou rozhodovací úlohu a učení s učitelem, které je demonstrováno na lineárních klasifikátorech různých typů. Studenti si znalost procvičí na semestrálních úlohách, v nichž budeme používat Python, který si studenti mohli osvojit v předmětech B3B33ALP, B4B33RPH, nebo BAB37ZPR.
Aby bylo jasno: Tento kurz NENÍ o hlubokém učení, neuronových sítích, LLM, chatbotech, atd., ale (především v jeho poslední části o strojovém učení) staví základy pro tato témata.
Prerekvizity: V kurzu očekáváme základní znalost lineární algebry. Budeme také potřebovat něco málo z teorie pravděpodobnosti a statistiky; tyto znalosti vám poskytneme přímo v kurzu. Očekáváme, že studenti umí psát jednoduché programy ve vyšším programovacím jazyce (ideálně v Pythonu) a znají základní datové struktury.
Semestr je rozdělen do 3 částí/tématických bloků. V každém bloku:
| Blok | Témata | Přednášky |
|---|---|---|
| Blok 1 | Prohledávání stavového prostoru, adversariální prohledávání, pravděpodobnost, prohledávání s neurčitostí (Expectimax) | 1–4 |
| Blok 2 | Sekvenční rozhodování pod neurčitostí (MDP), posilované učení (RL) | 5–8 |
| Blok 3 | Bayesovské rozhodování, strojové učení (klasifikace, regrese) | 10, 12–13 |
Semestrální úlohy jsou odevzdávány přes systém BRUTE.