Course: Základy umelej inteligencie a strojového učenia

Section outline

Select section General

Collapse Expand
General

Collapse all Expand all
- Select activity Prehľad kurzu
  
  Prehľad kurzu
  
  Vitajte v kurze "Základy umelej inteligencie a strojového učenia"! Tento kurz je určený pre študentov štvrtého ročníka a jeho cieľom je poskytnúť komplexné pochopenie technológií AI a strojového učenia, ich aplikácií a ich vplyvu na rôzne oblasti.
  
  Ciele vzdelávania
  
  Na konci tohto kurzu budete:
  
  Získajte prehľad o súčasných technológiách umelej inteligencie a ich aplikáciách.
  
  Kriticky zhodnoťte možnosti a obmedzenia AI z vedeckého hľadiska.
  
  Pochopte a aplikujte kľúčové koncepty a algoritmy strojového učenia.
  
  Naučte sa základy umelých neurónových sietí a ich aplikácie pri riešení reálnych problémov.
Select section 1. Artificial Intelligence (SK)

Collapse Expand
1. Artificial Intelligence (SK)
Zavedenie

Vitajte v téme umelej inteligencie (AI)! V tejto časti preskúmame fascinujúci svet umelej inteligencie, ktorý zahŕňa vytváranie systémov, ktoré dokážu vykonávať úlohy zvyčajne vyžadujúce ľudskú inteligenciu. Dozviete sa o histórii a vývoji AI, základných pojmoch a etických úvahách týkajúcich sa jej používania. Budeme tiež diskutovať o rôznych typoch umelej inteligencie, vrátane úzkej, všeobecnej a superinteligencie, a o tom, ako umelá inteligencia mení rôzne aspekty nášho každodenného života.
- Select activity 1.1 Koncept umelej inteligencie
  
  1.1 Koncept umelej inteligencie Page
  
  Students must
  
  View
- Select activity 1.2 Turingov test
  
  1.2 Turingov test Page
  
  Students must
  
  View
- Select activity 1.3 Oblasti umelej inteligencie
  
  1.3 Oblasti umelej inteligencie Page
  
  Students must
  
  View
- Select activity 1.4 Regulácia umelej inteligencie, právne a etické výzvy
  
  1.4 Regulácia umelej inteligencie, právne a etické výzvy Page
  
  Students must
  
  View
- Select activity 1.5 Úzka, všeobecná a superinteligencia
  
  1.5 Úzka, všeobecná a superinteligencia Page
  
  Students must
  
  View
- Select activity Úvodné cvičenie: Jupyter Cvičebné zápisníky
  
  Úvodné cvičenie: Jupyter Cvičebné zápisníky Assignment
  
  Students must
  
  Make a submission
- Select activity Úvodné cvičenie: Platforma Google Colab
  
  Úvodné cvičenie: Platforma Google Colab Assignment
  
  Students must
  
  Make a submission
- Select activity Úvodné cvičenie: knižnice NumPy, Matplotlib a Pandas
  
  Úvodné cvičenie: knižnice NumPy, Matplotlib a Pandas Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 1.1: Aplikácia umelej inteligencie - používanie programov AI
  
  Cvičenie 1.1: Aplikácia umelej inteligencie - používanie programov AI Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 1.2: Aplikácia umelej inteligencie – simulácia Turingovho testu
  
  Cvičenie 1.2: Aplikácia umelej inteligencie – simulácia Turingovho testu Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 1.3: Aplikácia umelej inteligencie – identifikácia systémov založených na umelej inteligencii
  
  Cvičenie 1.3: Aplikácia umelej inteligencie – identifikácia systémov založených na umelej inteligencii Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 1.4: Aplikácia umelej inteligencie – skúmanie superinteligencie
  
  Cvičenie 1.4: Aplikácia umelej inteligencie – skúmanie superinteligencie Assignment
  
  Students must
  
  Make a submission
Select section 2. Machine Learning (SK)

Collapse Expand
2. Machine Learning (SK)
Zavedenie

Vitajte v téme strojového učenia (ML)! Strojové učenie je podmnožina umelej inteligencie, ktorá sa zameriava na vývoj algoritmov, ktoré umožňujú počítačom učiť sa z údajov a vytvárať predpovede na základe údajov. V tejto časti získate hlboké pochopenie základných pojmov strojového učenia, rôznych typov učenia (pod dohľadom, bez dozoru, čiastočne pod dohľadom a posilňovacie učenie) a dôležitosti údajov v tomto procese. Budeme sa tiež zaoberať krokmi spojenými s vytváraním a validáciou modelov strojového učenia a tým, ako možno tieto modely použiť na riešenie problémov v reálnom svete.
- Select activity 2.1 Vzťah medzi umelou inteligenciou a strojovým učením
  
  2.1 Vzťah medzi umelou inteligenciou a strojovým učením Page
  
  Students must
  
  View
- Select activity 2.2 Programovanie založené na údajoch (SK)
  
  2.2 Programovanie založené na údajoch (SK) Page
  
  Students must
  
  View
- Select activity 2.3 Základné pojmy strojového učenia
  
  2.3 Základné pojmy strojového učenia Page
  
  Students must
  
  View
- Select activity 2.4 Proces strojového učenia
  
  2.4 Proces strojového učenia Page
  
  Students must
  
  View
- Select activity 2.5 Typy strojového učenia
  
  2.5 Typy strojového učenia Page
  
  Students must
  
  View
- Select activity 2.6 Údaje v strojovom učení
  
  2.6 Údaje v strojovom učení Page
  
  Students must
  
  View
- Select activity 2.7 Prieskumná analýza údajov (EDA)
  
  2.7 Prieskumná analýza údajov (EDA) Page
  
  Students must
  
  View
- Select activity 2.8 Vytvorenie reprezentácie množiny údajov
  
  2.8 Vytvorenie reprezentácie množiny údajov Page
  
  Students must
  
  View
- Select activity 2.9 Školiace, validačné a testovacie súbory
  
  2.9 Školiace, validačné a testovacie súbory Page
  
  Students must
  
  View
- Select activity Cvičenie 2.A: Populárne množiny údajov MNIST
  
  Cvičenie 2.A: Populárne množiny údajov MNIST Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 2.B: Populárne množiny údajov - ImageNet
  
  Cvičenie 2.B: Populárne množiny údajov - ImageNet Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 2.C: Populárne súbory údajov – COCO
  
  Cvičenie 2.C: Populárne súbory údajov – COCO Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 3: Prieskumná analýza súboru údajov
  
  Cvičenie 3: Prieskumná analýza súboru údajov Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 4: Tréningové, validačné a testovacie súbory
  
  Cvičenie 4: Tréningové, validačné a testovacie súbory Assignment
  
  Students must
  
  Make a submission
Select section 3. Training Models (SK)

Collapse Expand
3. Training Models (SK)
Zavedenie

Vitajte v téme Modely učenia! Táto časť sa ponorí do rôznych modelov a techník používaných v strojovom učení na riešenie rôznych typov problémov. Okrem iného sa dozviete o lineárnej regresii, klasifikácii, rozhodovacích stromoch a algoritme k-najbližších susedov. Budeme diskutovať o vlastnostiach, výhodách a nevýhodách každého modelu a o dôležitosti validácie modelu na zabezpečenie presnosti a spoľahlivosti. Prostredníctvom praktických cvičení aplikujete tieto modely na reálne datasety a interpretujete výsledky.
- Select activity 3.1 Lineárna regresia
  
  3.1 Lineárna regresia Page
  
  Students must
  
  View
- Select activity 3.2 Gradientný zostup
  
  3.2 Gradientný zostup Page
  
  Students must
  
  View
- Select activity 3.3 Polynomiálna regresia
  
  3.3 Polynomiálna regresia Page
  
  Students must
  
  View
- Select activity 3.4 Viacnásobná lineárna regresia
  
  3.4 Viacnásobná lineárna regresia Page
  
  Students must
  
  View
- Select activity 3.5 Klasifikácia, typy klasifikácie a matica zámeny
  
  3.5 Klasifikácia, typy klasifikácie a matica zámeny Page
  
  Students must
  
  View
- Select activity 3.6 Logistická regresia
  
  3.6 Logistická regresia Page
  
  Students must
  
  View
- Select activity 3.7 Rozhodovací strom
  
  3.7 Rozhodovací strom Page
  
  Students must
  
  View
- Select activity 3.8 Algoritmus K-najbližšieho suseda (kNN)
  
  3.8 Algoritmus K-najbližšieho suseda (kNN) Page
  
  Students must
  
  View
- Select activity 3.9 Hyperparametre
  
  3.9 Hyperparametre Page
  
  Students must
  
  View
- Select activity 3.10 Zovšeobecňovanie, nedostatočná adaptácia a nadmerná adaptácia
  
  3.10 Zovšeobecňovanie, nedostatočná adaptácia a nadmerná adaptácia Page
  
  Students must
  
  View
- Select activity 3.11 Validácia, krížová validácia
  
  3.11 Validácia, krížová validácia Page
  
  Students must
  
  View
- Select activity 3.12 Regularizácia
  
  3.12 Regularizácia Page
  
  Students must
  
  View
- Select activity Cvičenie 5.1: Lineárna regresia
  
  Cvičenie 5.1: Lineárna regresia Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 5.2: Gradientný zostup
  
  Cvičenie 5.2: Gradientný zostup Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 6: Logistická regresia
  
  Cvičenie 6: Logistická regresia Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 7: Rozhodovací strom
  
  Cvičenie 7: Rozhodovací strom Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 8: Algoritmus k-najbližšieho suseda
  
  Cvičenie 8: Algoritmus k-najbližšieho suseda Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 9: Overenie
  
  Cvičenie 9: Overenie Assignment
  
  Students must
  
  Make a submission
Select section 4. Neural Networks (SK)

Collapse Expand
4. Neural Networks (SK)
Zavedenie

Vitajte v téme neurónových sietí! Neurónové siete sú kľúčovou súčasťou hlbokého učenia, podmnožinou strojového učenia, ktorá napodobňuje štruktúru a funkciu ľudského mozgu. V tejto časti sa dozviete o základných prvkoch neurónových sietí vrátane neurónov, vrstiev a aktivačných funkcií. Preskúmame rôzne typy architektúr neurónových sietí, ako sú konvolučné a rekurentné neurónové siete, a ich aplikácie pri riešení zložitých problémov. Získate tiež praktické skúsenosti s trénovaním a testovaním neurónových sietí pomocou populárnych nástrojov a frameworkov.
- Select activity 4.1 Neurónové siete
  
  4.1 Neurónové siete Page
  
  Students must
  
  View
- Select activity 4.2 Trénovanie neurónových sietí
  
  4.2 Trénovanie neurónových sietí Page
  
  Students must
  
  View
- Select activity 4.3 Konvolučné neurónové siete (CNN)
  
  4.3 Konvolučné neurónové siete (CNN) Page
  
  Students must
  
  View
- Select activity 4.4 Rekurentné neurónové siete
  
  4.4 Rekurentné neurónové siete Page
  
  Students must
  
  View
- Select activity 4.5 Algoritmus K-Means
  
  4.5 Algoritmus K-Means Page
  
  Students must
  
  View
- Select activity Cvičenie 10: Trénovanie neurónových sietí
  
  Cvičenie 10: Trénovanie neurónových sietí Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 11: VGG-16 Úloha klasifikácie sietí a obrázkov
  
  Cvičenie 11: VGG-16 Úloha klasifikácie sietí a obrázkov Assignment
  
  Students must
  
  Make a submission
- Select activity Cvičenie 12: Algoritmus K-Means
  
  Cvičenie 12: Algoritmus K-Means Assignment
  
  Students must
  
  Make a submission
Select section 5. Reference

Collapse Expand
5. Reference
- Select activity GitHub repostitory
  
  GitHub repostitory URL
  
  https://github.com/AIForVet/aiml
- Select activity ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FUNDAMENTALS EN
  
  ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FUNDAMENTALS EN File DOCX
  
  Students must
  
  View
- Select activity ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FUNDAMENTALS EN
  
  ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FUNDAMENTALS EN File PDF
  
  Students must
  
  View
- Select activity Curriculum: Fundamentals of Artificial Intelligence and Machine Learning
  
  Curriculum: Fundamentals of Artificial Intelligence and Machine Learning Folder
  
  Students must
  
  Mark as done
- Select activity https://scikit-learn.org/
  
  https://scikit-learn.org/ URL
  
  Students must
  
  View
- Select activity https://petlja.org/sr-Latn-RS/kurs/11203/0
  
  https://petlja.org/sr-Latn-RS/kurs/11203/0 URL
  
  Students must
  
  View
- Select activity Hands-On-Machine-Learning-with-Scikit-Learn-Keras-and-Tensorflow -Concepts-Tools-and-Techniques-to-Build-Intelligent-Systems-Aurélien-Géron-O’Reilly-Media-2019
  
  Hands-On-Machine-Learning-with-Scikit-Learn-Keras-and-Tensorflow -Concepts-Tools-and-Techniques-to-Build-Intelligent-Systems-Aurélien-Géron-O’Reilly-Media-2019 File PDF
  
  Students must
  
  Mark as done
- Select activity machine-learning-and-artificial-intelligence-1st-ed-2020-978-3-030-26621-9-978-3-030-26622-6 compress
  
  machine-learning-and-artificial-intelligence-1st-ed-2020-978-3-030-26621-9-978-3-030-26622-6 compress File PDF
  
  Students must
  
  Mark as done
- Select activity Explorations in Artificial Intelligence and Machine Learning
  
  Explorations in Artificial Intelligence and Machine Learning URL
  
  Students must
  
  Mark as done
- Select activity Machine Learning For Absolute Beginners
  
  Machine Learning For Absolute Beginners File PDF
  
  Students must
  
  Mark as done
- Select activity Artificial Intelligence A Modern Approach 3rd
  
  Artificial Intelligence A Modern Approach 3rd File PDF
  
  Students must
  
  Mark as done
- Select activity Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville
  
  Deep Learning by Ian Goodfellow, Yoshua Bengio, and Aaron Courville URL
  
  Students must
  
  Mark as done
- Select activity Hands-On AI Projects for the Classroom
  
  Hands-On AI Projects for the Classroom File PDF
  
  Students must
  
  Mark as done
- Select activity Book
  
  Book
  
  Students must
  
  View
Select section Map of content

Collapse Expand
Map of content

Section outline

General

Prehľad kurzu

Ciele vzdelávania

1. Artificial Intelligence (SK)

2. Machine Learning (SK)

3. Training Models (SK)

4. Neural Networks (SK)

5. Reference

Map of content