https://www.umimeinformatiku.cz/dashboard-topic-overview

Základy umělé inteligence

Umělá inteligence je oblast informatiky zabývající se vytvářením programů schopných provádět úkoly, které by obvykle vyžadovaly lidskou inteligenci. Umělá inteligence zahrnuje například porozumění jazyku, rozpoznávání obrazu a řešení složitých problémů jako je řízení auta. V rámci základního přehledu najdete v Umíme to následující témata:

• Úvod do umělé inteligence – stručný přehled úplných základů a souvislostí na intuitivní úrovni.
• Vymezení umělé inteligence – co je to umělá inteligence a co umělá inteligence není.
• Využití a schopnosti umělé inteligence – co umělá inteligence umí a co neumí.
• Umělá inteligence: realita a fikce – co funguje v realitě a co pouze ve sci-fi představách.
• Historie umělé inteligence – klíčové trendy a milníky vývoje umělé inteligence.
• Umělá inteligence: pojmy – přehled základních pojmů používaných v oblasti umělé inteligence.
• Etické aspekty umělé inteligence – etické souvislosti vývoje umělé inteligence ("co je správné a co špatné").
• Společenské dopady umělé inteligence – dopady rozvoje umělé inteligence na práci, rozhodování, soukromí, vzdělávání…

Aplikace umělé inteligence

Umělá inteligence a strojové učení mají využití v mnoha oblastech aplikované informatiky. V Umíme to najdete základní přehled o následujících oblastech:

• Zpracování přirozeného jazyka – např. detekce spamu, odpovídání na otázky
• Robotika – např. robotický vysavač, samořídící auta
• Počítačové vidění – např. rozpoznání osob či SPZ na fotce

Co umělá inteligence v dnešní době umí a co ne, si můžete procvičit v rámci tématu Využití a schopnosti umělé inteligence.

Metody umělé inteligence

Mnoho algoritmických problémů lze formulovat jako jeden z několika typů úloh umělé inteligence, mezi které patří plánování (hledání nejkratší cesty), splňování podmínek (např. sudoku), optimalizace (hledání minima zadané funkce), predikce (odhad hodnoty či kategorie, např. detekce spamu) a generování (např. odpovídání na otázky). Jakmile se nám podaří problém formulovat jako jeden z těchto typů, můžeme využít standardní postupy a algoritmy k jeho řešení:

• Prohledávání stavového prostoru (např. prohledávání do hloubky či do šířky) slouží například pro řešení plánovacích úloh.
• Splňování podmínek lze řešit například kombinací propagace omezení a prohledávání s návratem (backtracking).
• Optimalizační problémy lze řešit postupným budováním řešení (systematicky či hladově), nebo postupným vylepšováním jednoho či více řešení (lokální prohledávání, genetické algoritmy).
• Strojové učení jsou programy, které se učí z dat nebo zkušenosti. Využívá se k predikcím i generování nového obsahu. Této rozsáhlé oblasti věnujeme samostatnou kapitolu.

Základy strojového učení

Strojové učení je podoblast umělé inteligence zabývající se tvorbou programů, které se učí z dat. Strojové učení souvisí s tématem práce s daty, zejména s jejich sběrem a evidencí. V rámci základního přehledu strojového učení najdete v Umíme to   následující témata:

• Učení z příkladů – ukázky, jak se počítače mohou naučit vyřešit problém z poskytnutých příkladů; zaměření na interaktivní příklady budující intuitivní pochopení
• Princip strojového učení – co to je strojové učení, v čem spočívá rozdíl oproti klasickému programování, na co se strojové učení hodí
• Úlohy strojového učení – typy úloh, které lze pomocí strojového učení řešit (např. klasifikace, regrese, shlukování, generování)
• Postup strojového učení – jak přistupujeme k řešení těchto úloh (např. učení s učitelem a bez učitele, neuronové sítě a jiné modely)
• Vyhodnocení strojového učení – rozlišení mezi generalizací a pouhou memorizací, rozpoznání podučení a přeučení, srovnání kvality různých modelů
• Zkreslení strojového učení – co je to zkreslení (předpojatost), jak jej rozpoznat a co se s tím dá dělat
• Strojové učení: pojmy – přehled klíčových pojmů často používaných v textech o strojovém učení

Metody strojového učení

Obecný postup strojového učení zahrnuje volbu výpočetního modelu pro řešení dané úlohy, jehož parametry poté učíme ve fázi trénování modelu. Témata v této kapitole podrobněji představují několik modelů, které se ve strojovém učení často využívají:

• lineární modely – určují výstup pomocí lineární funkce
• rozhodovací stromy – určují výstup pomocí řady podmínek
• neuronové sítě – kombinují velké množství jednoduchých funkcí (tzv. neuronů)
• pravděpodobnostní modely – pracují s nejistotou (např. Naivní Bayesův klasifikátor)