Prerekvizity

• Základní znalost programování v Pythonu

Co si účastník odnese

Týdenní intenzivní kurz je určen pro všechny středoškolské učitele, kteří by rádi zařadili umělou inteligenci do výuky informatiky, ale nemají potřebné znalosti a zkušenosti. V kurzu projdeme úplnými základy umělé inteligence a strojového učení a dostaneme se až k návrhu umělých neuronových sítí v Pythonu. Výukové materiály a obsah školení jsou postaveny tak, aby je bylo možné převzít a použít přímo ve výuce na střední škole buď formou samostatného předmětu nebo jako doplnění existující výuky informatiky.

Osnova (5 dní)

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