Kapitola 1: Úvod do umelej inteligencie
- čo je a čo nie je umelá inteligencia
- slabá a silná umelá inlitegencia
- úlohy umelej inteligencie (strojové učenie, prehľadávanie priestoru,
optimalizácia, plánovanie, strojové vnímanie, spracovanie prirodzeného jazyka)
- príklady aplikácie umelej inteligencie v jednotlivých oblastiach
- história a míľniky umelej inteligencie
Kapitola 2: Dáta a informácie
- rozdiel medzi dátami a informáciami
- dátové sady a ich vznik
- štruktúrované vs. neštruktúrované dáta
- čo sú veľké dáta a ako s nimi zaobchádzať
- intuícia vs. fakty
- príklady zlyhania intuície
- praktické príklady rozhodovania na základe dát
- základy popisnej štatistiky
- vizualizácia dát
- reprezentatívnosť dát
- zmeny podmienok
- bias v dátach
- osobné dáta a GDPR
Kapitola 3: Úvod do strojového učenia a jeho aplikácií
- čo je učenie a čím je špecifické strojové učenie
- generalizácia vs. memorovanie
- proces strojového učenia
- strojové učenie s učiteľom a bez učiteľa
- klasifikácia
- regresia
- zhlukovanie
- spätnoväzbové učenie
- vybrané aplikácie zo spracovania obrazu, spracovania prirodzeného jazyka,
doporučovania a hrania hier
Kapitola 4: Filozofia umelej inteligencie
- turingov test a argument čínskeho pokoja
- exponenciálny rast
- bezpečnosť a férovosť metód umelej inteligencie
- spoločenský dopad umelej inteligencie (zoberú nám stroje prácu?)
- etické otázky v umelej inteligencii
Kapitola 5: Základy dátovej analýzy v jazyku Python
- základy a syntax jazyka Python 3.x (základné dátové štruktúry, cykly,
podmienky, základy OOP, serializácia)
- vektory, matice a práca s nimi v knižnici NumPy
- zoznámenie sa s Jupyter notebookmi v prostredí Google Colab
- načítanie dát a jednoduchá manipulácia s nimi v knižnici Pandas
- praktické príklady na jednoduchú manipuláciu s dátami a vyvodenie záverov
z nich
Kapitola 6: Regresia
- opakovanie definície regresie a jej použitie
- proces regresnej analýzy od prípravy dát až po trénovanie, predikciu a
validáciu
- matematické základy – vektor, vektorový priestor, nadrovina, geometrická
interpretácia derivácie
- dátové štruktúry – grafy a stromy
- lineárna regresia
- rozhodovacie stromy pre regresiu
- praktické cvičenia v knižnici ScikitLearn
Kapitola 7: Klasifikácia
- opakovanie definície klasifikácie a jej použitie
- proces klasifikácie od prípravy dát až po trénovanie, predikciu a
validáciu
- matematické základy – logaritmy
- logistická regresia
- krížová entropia
- rozhodovacie stromy pre klasifikáciu
- praktické cvičenia v knižnici ScikitLearn
Kapitola 8: Umelé neurónové siete
- perceptron a jeho vzťah k lineárnej a logistickej regresii
- opakovanie maticového počtu
- najbežnejšie aktivačné funkcie
- chybové funkcie v neurónových sieťach
- dopredné neurónové siete
- algoritmus spätného šírenia chyby (intuitívne)
- klasifikácia a regresia
- konvolučné neurónové siete
- vizualizácia neurónových sietí
- základy knižnice Tensorflow/Keras pre implementáciu neurónových sietí
- praktické cvičenia na riešenie rôznych problémov z bežného života pomocou
neurónových sietí
- spracovanie obrazu pomocou neurónových sietí
