CleanMate 365. ACECAD Enterprises DigiMemo A502. individua vědomě orientovat vlastní. globální schopnost individua účelně
|
|
- Miloš Navrátil
- před 8 lety
- Počet zobrazení:
Transkript
1 ELECTROLUX ESI 6221 K Myčka v novém Alpha 1 designu s Fuzzy logic technologií Umělá inteligence = = umělá + inteligence CleanMate 365 CleanMate 365 je inteligentní robotický vysavač, který za Vás doma perfektně vysaje a zamete. První generace robota AIBO: krok směrem k umělé inteligenci Umělé = člověkem vytvořený artefakt (umělá hmota, umělý sníh, umělý kloub ) ACECAD Enterprises DigiMemo A502 digitální poznámkový blok existuje nějaká přirozená věc, kterou je možno duplikovat existuje záměr člověka vytvořit duplikát oné přirozené věci došlo k provedení záměru ACECAD MyScript Notes Handwriting Recognition - Praktický program pro převod ručně psaného textu do editovatelné podoby určený pro ACECAD DigiMemo A502. More interactions, alliances and realistic artificial intelligence responses put players in the middle of negotiations, trade systems and diplomatic actions. ( P. Berka, /20 P. Berka, /20 Inteligence Inteligence je všeobecná schopnost individua vědomě orientovat vlastní myšlení na nové požadavky, je to všeobecná duchovní schopnost přizpůsobit se novým životním úkolům a podmínkám. (W. Stern) Inteligence je vnitřně členitá a zároveň globální schopnost individua účelně jednat, rozumně myslet a efektivně se vyrovnávat se svým okolím. (D. Wechsler) Inteligence je schopnost zpracovávat informace. Informacemi je třeba chápat všechny dojmy, které člověk vnímá. (J. P. Guilford) Druhy inteligence Abstraktní inteligence - schopnost řešit dobře definované akademické problémy s jednoznačnou odpovědí. Dobře koreluje s úspěšností v akademickém životě. Praktická inteligence - schopností řešit problémy každodenního života. V těchto případech řešení není jednoznačné a zpravidla existuje několik alternativních způsobů. Nejasná je často i formulace úkolu. Sociální inteligence - schopnost pohybovat se v sociálním prostředí, tj. umět jednat s lidmi. Emoční inteligence - ovlivňuje úspěšnost jedince v rodině, na pracovišti, v sociálních a intimních vztazích. Inteligence je to, co dokáží lidé a ne stroje. (odpůrci AI) P. Berka, /20 P. Berka, /20
2 Umělá inteligence (AI) Umělá inteligence je věda o vytváření strojů nebo systémů, které budou při řešení určitého úkolu užívat takového postupu, který - kdyby ho dělal člověk - bychom považovali za projev jeho inteligence. (Minsky, 1967) Umělá inteligence se zabývá tím, jak počítačově řešit úlohy, které dnes zatím zvládají lidé lépe. (Rich, 1991)... Umělá inteligence je označení uměle vytvořeného jevu, který dostatečně přesvědčivě připomíná přirozený fenomén lidské inteligence. Umělá inteligence označuje tu oblast poznávání skutečnosti, která se zaobírá hledáním hranic a možností symbolické, znakové reprezentace poznatků a procesů jejich nabývání, udržování a využívání. Umělá inteligence se zabývá problematikou postupů zpracování poznatků - osvojováním a způsobem použití poznatků při řešení problémů.... Nejrůznější definice, které mohou být klasifikovány do čtyř skupin (Russell, Norvig, 2003): jako lidé racionálně Myslet Silná AI Klasická AI Jednat Slabá AI Nová AI P. Berka, /20 P. Berka, /20 Silná (strong) AI Povaha mysli je algoritmická, přičemž není podstatné, v jakém médiu (mozek, počítač, ) jsou algoritmy implementovány = v počítači lze replikovat lidskou mysl. Tři pohledy na AI Klasická AI chápe inteligenci jako atribut jedné mysli Slabá (weak) AI Modelování dílčích projevů mysli (např. schopnosti usuzovat nebo řešit problémy). Klasická AI Modelování mysli na logicko-symbolické úrovni. Distribuovaná AI chápe inteligenci jako produkt sociálních interakcí více myslí Nová AI vidí inteligenci jako emergentní výsledek činnosti primitivních entit Nová AI K racionálnímu chování není třeba racionální usuzování. P. Berka, /20 P. Berka, /20
3 Dva základní myšlenkové proudy Začátky umělé inteligence Logicko-symbolický (klasický) modelování shora dolů reprezentacionalizmus deliberativnost 1950 Alan Turing: Computing Machinery and Intelligence. Mind 59, 1950, s Mohou stroje myslet? Konekcionistický, případně nová AI modelování zdola nahoru emergentní funkcionalita dekompozice na úrovni úloh reaktivita Turingův test: úkolem stroje je v komunikaci s experimentátorem předstírat, že je člověk. od roku 1991 Loebnerova cena pro program, který nejlépe uspěje v redukované podobě Turingova testu viz Hlavní námitka: test neměří myšlení ale chování J. Searle (1980): Čínská komnata P. Berka, /20 P. Berka, /20 Eliza (1965), J. Weizenbaum pacient: Ahoj. Eliza: AHOJ, JAK SE CÍTÍŠ? pacient: Cítím se strašně. Eliza: CO TÍM PŘESNĚ MYSLÍŠ? pacient: Jsem v depresi. Eliza: PROČ SI MYSLÍŠ, ŽE JSI V DEPRESI. pacient: Protože je mi smutno. Eliza: ŽIJEŠ S RODINOU? pacient: Ne. Eliza: MÁŠ PŘÁTELE? pacient: Celkem ne. Eliza: PROČ? pacient: Nevím. Eliza: OPRAVDU NEVÍŠ NEBO SE JEN VYHÝBÁŠ ODPOVĚDI? pacient: Dřív jsem přátele měl. Eliza: KDY? pacient: Než jsem se oženil. Eliza: NEŘEKL JSI MI, ŽE SES OŽENIL. pacient: Už jsem se zase rozvedl. Eliza: POVĚZ MI O SVÉM ROZVODU. Etapy výzkumu léta: hledání univerzálního řešícího postupu léta: otázka reprezentace znalostí 90.- léta: učení a adaptace, komunikace (D. Lodge, Svět je malý) P. Berka, /20 P. Berka, /20
4 Historie AI 1943 model neuronu McCulloch, Pitts 1950 Turingův test Turing 1950 šachy jako prohledávání Shanon 1956 Dartmouthská konference (pojem AI) Minsky, McCarthy, Simon, Newell 1957 Perceptron Rosenblatt GPS (General Problem Solver) Newell, Simon, Shaw formální gramatiky Chomsky 1958 LISP McCarthy 1965 DENDRAL Feigenbaum, Buchanan fuzzy logika Zadeh rezoluční princip Robinson 1968 sémantické sítě Quillian SHRDLU Winograd Macsyma (symbolické Moses integrování) 1969 kniha Perceptrons Minsky, Papert robot Shakey SRI 1970 PROLOG Colmerauer, Roussell 1971 HEARSAY I Lesser 1973 MYCIN Shortliffe, Buchanan 1975 rámce Minsky 1976 Dempster-Shaferova teorie Dempster, Shafer PROSPECTOR Duda, Hart 1977 OPS Forgy 1978 R1/XCON McDermott 1979 ReTe algoritmus Forgy 1981 japonský projekt počítačů páté generace connection machine Hillis 1982 Hopfieldova neuronová síť Hopfield 1983 intervalová aritmetika Allen 1984 CyC Lenat 1987 kniha Society of Mind Minski reaktivní agenti Brooks 1989 ALVINN (autonomous land Pomerleau vehicle in a neural network) 1993 humanoidní robot Cog Brooks 1995 robotické auto Dickmanns 1997 Deep Blue IBM RoboCup (fotbal) 1998 semantický web Berners-Lee 2000 sociální robot Kismet Breazeal 2004 web ontology language OWL 2006 OpenCyC P. Berka, /20 P. Berka, /20 Oblasti (technologicky) 1. Řešení úloh a. Prohledávání b. Plánování 2. Reprezentování znalostí 3. Usuzování 4. Zpracování neurčitosti 5. Učení 6. Adaptace 7. Komunikace 8. Reaktivita 9. Vnímání Oblasti (oborově) 1. Hraní her 2. Dokazování teorémů 3. Rozpoznávání obrazů 4. Zpracování přirozeného jazyka 5. Expertní systémy 6. Robotika 7. Strojové učení 8. Dobývání znalostí z databází 9. Neuronové sítě 10. Počítačové vidění 11. Multiagentní systémy 12. Umělý život P. Berka, /20 P. Berka, /20
5 S. Russell, P. Norvig: Artificial Intelligence: A Modern Approach Prentice Hall, 2002 Part I Artificial Intelligence 1 Introduction 2 Intelligent Agents Part II Problem Solving 3 Solving Problems by Searching 4 Informed Search and Exploration 5 Constraint Satisfaction Problems 6 Adversarial Search Part III Knowledge and Reasoning 7 Logical Agents 8 First-Order Logic 9 Inference in First-Order Logic 10 Knowledge Representation Part IV Planning 11 Planning 12 Planning and Acting in the Real World Part V Uncertain Knowledge and Reasoning 13 Uncertainty 14 Probabilistic Reasoning 15 Probabilistic Reasoning Over Time 16 Making Simple Decisions 17 Making Complex Decisions Part VI Learning 18 Learning from Observations 19 Knowledge in Learning 20 Statistical Learning Methods 21 Reinforcement Learning Part VII Communicating, Perceiving, and Acting 22 Communication 23 Probabilistic Language Processing 24 Perception 25 Robotics Part VIII Conclusions 26 Philosophical Foundations 27 AI: Present and Future P. Berka, /20 P.H.Winston: Artificial Intelligence, Addison-Wesley, 1992 I Representations and Methods 1 The Intelligent Computer 2 Semantic Nets and Description Matching 3 Generate and Test, Means-Ends Analysis, and Problem Reduction 4 Nets and Basic Search 5 Nets and Optimal Search 6 Trees and Adversarial Search 7 Rules and Rule Chaining 8 Rules, Substrates, and Cognitive Modeling 9 Frames and Inheritance 10 Frames and Commonsense 11 Numeric Constraints and Propagation 12 Symbolic Constraints and Propagation 13 Logic and Resolution Proof 14 Backtracking and Truth Maintenance 15 Planning II Learning and Regularity Recognition 16 Analyzing Differences 17 Explaining Experience 18 Correcting Mistakes 19 Recording Cases 20 Managing Multiple Models 21 Building Identification Trees 22 Training Neural Nets 23 Training Perceptrons 24 Training Approximation Nets 25 Simulating Evolution III Vision and Language 26 Recognizing Objects 27 Describing Images 28 Expressing Language Constraints 29 Responding to Questions and Commands Appendix: Relational Databases P. Berka, /20 G. Luger: AI: Structures and Strategies for Complex Problem Solving Addison Wesley 2002 I ARTIFICIAL INTELLIGENCE: ITS ROOTS AND SCOPE 1 AI: HISTORY AND APPLICATIONS II ARTIFICIAL INTELLIGENCE AS REPRESENTATION AND SEARCH 2 THE PREDICATE CALCULUS 3 STRUCTURES AND STRATEGIES FOR STATE SPACE SEARCH 4 HEURISTIC SEARCH 5 STOCHASTIC METHODS 6 CONTROL AND IMPLEMENTATION OF STATE SPACE SEARCH III REPRESENTATION AND INTELLIGENCE: THE AI CHALLENGE 7 KNOWLEDGE REPRESENTATION 8 STRONG METHOD PROBLEM SOLVING 9 REASONING IN UNCERTAIN SITUATIONS IV MACHINE LEARNING 10 MACHINE LEARNING: SYMBOL-BASED 11 MACHINE LEARNING: CONNECTIONIST 12 MACHINE LEARNING: SOCIAL AND EMERGENT V ADVANCED TOPICS FOR AI PROBLEM SOLVING 13 AUTOMATED REASONING 14 UNDERSTANDING NATURAL LANGUAGE VI LANGUAGES AND PROGRAMMING TECHNIQUES FOR ARTIFICIAL INTELLIGENCE 15 AN INTRODUCTION TO PROLOG 16 AN INTRODUCTION TO LISP VII EPILOGUE 17 ARTIFICIAL INTELLIGENCE AS EMPIRICAL ENQUIRY Nils Nilsson: Artificial Intelligence, A New Synthesis Morgan Kaufman, Introduction I Reactive Machines 2 Stimulus-Response Agents 3 Neural Network 4 Machine Evolution 5 State Machines 6 Robot Vision II Search in State Spaces 7 Agents that Plan 8 Uninformed Search 9 Heuristic Search 10 Planning, Acting, and Learning 11 Alternative Search Formulations and Applications 12 Adversarial Search III Knowledge Representation and Reasoning 13 The Propositional Calculus 14 Resolution in The Propositional Calculus 15 The Predicate Calculus 16 Resolution in the Predicate Calculus 17 Knowledge-Based Systems 18 Representing Commonsense Knowledge 19 Reasoning with Uncertain Information 20 Learning and Acting with Bayes Nets IV Planning Method Based on Logic 21 The Situation Calculus 22 Planning V Communication and Integration 23 Multiple Agents 24 Communication Among Agents 25 Agent Architectures P. Berka, /20 P. Berka, /20
AIBO CleanMate 365 ACECAD Enterprises DigiMemo
ELECTROLUX ESI 6221 K Myčka v novém Alpha 1 designu s Fuzzy logic technologií www.sony.cz CleanMate 365 CleanMate 365 je inteligentní robotický vysavač, který za Vás doma perfektně vysaje a zamete. První
VíceExpertní Systémy. Umělá inteligence. 1950 Alan Turing: Computing Machinery and Intelligence. Mind 59, 1950, s.433-460
Umělá inteligence Věda, jejímž úkolem je naučit stroje, aby dělaly věci, které vyžadují inteligenci, jsouli prováděny člověkem. Marvin Minsky 1950 Alan Turing: Computing Machinery and Intelligence. Mind
VíceH. Dreyfuss: What computers can t do, 1972 What computers still can t do, J. Weizenbaum. Computer power and human reason, 1976
Klasická AI připomenutí Meze klasické umělé inteligence Modelování mysli na logicko-symbolické úrovni. Modelování shora dolů. Reprezentacionalizmus Churchova teze: Použitelnost počítačů je omezena na ty
VíceHistorie a vývoj umělé inteligence
Historie a vývoj umělé inteligence 11. února 2015 1-1 Co je to inteligence? Encyklopedie Duden : Intelligenz = Fähigkeit des Menschen abstrakt und vernünftig zu denken und daraus zweckvolles Handeln abzuleiten.
VíceUmělá inteligence (1. přednáška)
Umělá inteligence (1. přednáška) Co je to AI (Artificial Intelligence) systém, který myslí jako lidé myslí racionálně se chová jako lidé se chová racionálně Jednat jako lidé systém, který myslí jako lidé
VícePočátky umělé inteligence
Počátky umělé inteligence Pavel Ircing NTIS - UN 562 ircing@kky.zcu.cz KKY/HKUI Založení oboru John McCarthy přesvědčil v roce 1955 Marvina Minskyho, Nathaniela Rochestera and C. Shannona, aby mu v následujícím
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
Více1. Znalostní systémy a znalostní inženýrství - úvod. Znalostní systémy. úvodní úvahy a předpoklady. 26. září 2017
Znalostní systémy úvodní úvahy a předpoklady 26. září 2017 1-1 Znalostní systém Definice ZS (Feigenbaum): Znalostní (původně expertní) systémy jsou počítačové programy simulující rozhodovací činnost experta
VíceUmělá inteligence (1. přednáška)
Umělá inteligence (1. přednáška) Anna Vernerová 1 Jonathan L. Verner 2 1 Ústav formální a aplikované lingvistiky Matematicko-fyzikální fakulta http://ufal.mff.cuni.cz/anna-vernerova vernerova@ufal.mff.cuni.cz
VíceInteligentní systémy a neuronové sítě
Inteligentní systémy a neuronové sítě Arnošt Veselý, Česká zemědělská univerzita, Kamýcká, Praha 6 - Suchdol Summary: In the article two main architectures of inteligent systems: logical-symbolic and connectionist
VíceZÁKLADY PROGRAMOVÁNÍ. Mgr. Vladislav BEDNÁŘ 2014 7.1 7.3 12/14
ZÁKLADY PROGRAMOVÁNÍ Mgr. Vladislav BEDNÁŘ 2014 7.1 7.3 12/14 Co je vhodné vědět, než si vybereme programovací jazyk a začneme programovat roboty. 1 / 18 0:40 Umělá inteligence Umělá inteligence (UI) vlastně
VícePřírodou inspirované metody umělé inteligence
Přírodou inspirované metody umělé inteligence Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Nové Hrady, červenec 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělá inteligence 2 přístupy
VíceKorpusová lingvistika a počítačové zpracování přirozeného jazyka
Korpusová lingvistika a počítačové zpracování přirozeného jazyka Vladimír Petkevič & Alexandr Rosen Ústav teoretické a komputační lingvistiky Filozofické fakulty Univerzity Karlovy v Praze Korpusový seminář
VíceÚvod do expertních systémů
Úvod do expertních systémů Expertní systém Definice ES (Feigenbaum): expertní systémy jsou počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh a využívající vhodně zakódovaných,
VíceVáclav Matoušek KIV. Umělá inteligence a rozpoznávání. Václav Matoušek / KIV
Umělá inteligence a rozpoznávání Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 16. 2. (3h) 2. 3. (4h) 17. 3. (5h) 14. 4. (3h) Úvod, historie a vývoj UI, základní
VíceZáklady umělé inteligence
Základy umělé inteligence Úvod Základy umělé inteligence - úvod. Vlasta Radová, ZČU, katedra kybernetiky 1 Zavedení pojmu umělá inteligence Inteligence je schopnost získávat a aplikovat vědomosti a tedy
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ metodický list č. 1 Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do těchto dílčích témat: 1. Řešení úloh ve stavovém
VíceVysoká škola ekonomická v Praze
Vysoká škola ekonomická v Praze Fakulta informatiky a statistiky Katedra informačního a znalostního inženýrství Obor: Aplikovaná informatika Student : Filip Hrbek Vedoucí bakalářské práce : prof. Ing.
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Metodický list č. 1 Název tématického celku: Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do
VíceEvoluční algoritmy a umělý život
Evoluční algoritmy a umělý život Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Olomouc, červen 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělý život Odkazy: Steven Levy: Artificial
VíceWeb 2.0 vs. sémantický web
Web 2.0 vs. sémantický web Vilém Sklenák sklenak@vse.cz Vysoká škola ekonomická, fakulta informatiky a statistiky, katedra informačního a znalostního inženýrství Inforum2007, 24. 5. 2007 Vilém Sklenák
VíceRELATIONAL DATA ANALYSIS
KATEDRA INFORMATIKY PŘÍRODOVĚDECKÁ FAKULTA UNIVERZITA PALACKÉHO RELATIONAL DATA ANALYSIS RADIM BELOHLAVEK, JAN OUTRATA VÝVOJ TOHOTO UČEBNÍHO TEXTU JE SPOLUFINANCOVÁN EVROPSKÝM SOCIÁLNÍM FONDEM A STÁTNÍM
VíceZaměření Webové inženýrství doc. Ing. Tomáš Vitvar, Ph.D. Katedra softwarového inženýrství Fakulta informačních technologií České vysovké učení technické v Praze Den otevřených dveří 20.2.2014 http://www.fit.cvut.cz
VíceExpe xp rtn t í n í sys s t ys é t my m PSY 481
Expertní systémy PSY 481 Stavové pole Expertní systémy (produkční systémy) mohou být přirovnány k nástrojům používaným při řešení problémů (problem solving). Konkrétněji na technikách založených na hledání
VíceIT4Innovations Centre of Excellence
IT4Innovations Centre of Excellence Supercomputing for Applied Sciences Ivo Vondrak ivo.vondrak@vsb.cz: VSB Technical University of Ostrava http://www.it4innovations.eu Motto The best way to predict your
VíceIUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence. Jméno: Třída: Rok:
IUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence Jméno: Třída: Rok: Prohlašuji, že mnou předložená práce je mým původním autorským dílem, které jsem vypracoval/a samostatně.
VíceRobotika. Reaktivní agenty (nová AI) Deliberativní agenty (klasická AI)
Robotika Autonomní mobilní robot je inteligentní stroj schopen vykonávat úkoly samostatně, bez lidské pomoci. Nejdůležitější vlastností autonomního robota je jeho schopnost reagovat na změny prostředí.
VíceINFORMAČNÍ SEMINÁŘ PRO DOKTORANDY FIM
Inovace a podpora doktorského studijního programu CZ.1.07/2.2.00/28.0327 INFORMAČNÍ SEMINÁŘ PRO DOKTORANDY FIM Jak psát odborný článek Hledání vhodné konference 2 Naleznete sami (např. na internetu) Doporučení
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 548-0057 Garantující institut: Garant předmětu: Základy geoinformatiky (ZGI) Institut geoinformatiky doc. Ing. Petr Rapant, CSc. Kredity:
VíceNávrh a implementace algoritmů pro adaptivní řízení průmyslových robotů
Návrh a implementace algoritmů pro adaptivní řízení průmyslových robotů Design and implementation of algorithms for adaptive control of stationary robots Marcel Vytečka 1, Karel Zídek 2 Abstrakt Článek
VíceI. Úvod do agentních a multiagentních systémů
Obsah přednášky I. Úvod do agentních a multiagentních systémů Podklady k přednáškám kurzu AGS ---------------------------------------------------- 2005, 2006 František Zbořil ml. zborilf@fit.vutbr.cz Organizační
VíceObsah: Organizace předmětu IB030. Situace na FI MU
Úvod do počítačové lingvistiky Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/poc_lingv/ Obsah: Organizace předmětu IB030 Situace na FI MU Úvod do počítačové lingvistiky 1/11 1 / 20 Organizace
VíceCo je kognitivní informatika?
Co je kognitivní informatika? Václav Řepa Kognitivní informatika a) jako studijní obor Na VŠE: http://kogninfo.vse.cz b) jako vědní obor: Yingxu Wang, University of Calgary, Canada Witold Kinsner, University
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0259 Garantující institut: Garant předmětu: Exaktní metody rozhodování Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková,
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceInformace pro uznávání předmětů ze zahraničních studijních pobytů (2016/17) Státnicové předměty navazujících magisterských studijních oborů
Informace pro uznávání předmětů ze zahraničních studijních pobytů (2016/17) doporučení k uznání státnicových předmětů potvrzuje garant předmětu doporučení k uznání předmětů, které nejsou uvedeny jako státnicové,
VíceInteligence. PaedDr. Mgr. Hana Čechová
Inteligence PaedDr. Mgr. Hana Čechová Kdo je či není inteligentní. Je dobré si uvědomit, že úspěšná inteligence nezůstává pouze v rovině jedné schopnosti, nýbrž je výsledkem schopnosti porozumět problému
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Podklady k soustředění č. 5 Komunikace a kooperace Komunikace se jako jeden z principů objevuje v umělé inteligenci až v druhé polovině 80. let. V roce 1986 uveřejňuje M.
VíceSémantický web 10 let poté
Sémantický web 10 let poté Vilém Sklenák sklenak@vse.cz Vysoká škola ekonomická, fakulta informatiky a statistiky, katedra informačního a znalostního inženýrství Inforum2011, 26. 5. 2011 Vilém Sklenák
VíceČeské vysoké učení technické v Praze je jednou z nejstarších technicky zaměřených univerzit.
České vysoké učení technické v Praze je jednou z nejstarších technicky zaměřených univerzit. Poskytuje kvalitní vysokoškolské vzdělání v rozsáhlém spektru zejména inženýrských disciplín, zajišťuje základní
VíceVyužití programu MATLAB v robotice. počítačové vidění a deep learning
3.10.2018 Brno Využití programu MATLAB v robotice počítačové vidění a deep learning Jaroslav Jirkovský jirkovsky@humusoft.cz www.humusoft.cz info@humusoft.cz www.mathworks.com 2 Co je MATLAB a Simulink
VíceUITS / ISY. Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně. ISY: Výzkumná skupina inteligentních systémů 1 / 14
UITS / ISY Výzkumná skupina inteligentních systémů Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně ISY: Výzkumná skupina inteligentních systémů 1 / 14 Obsah Představení skupiny
VíceVědecký tutoriál, část I. A Tutorial. Vilém Vychodil (Univerzita Palackého v Olomouci)
..! POSSIBILISTIC Laboratoř pro analýzu INFORMATION: a modelování dat Vědecký tutoriál, část I A Tutorial Vilém Vychodil (Univerzita Palackého v Olomouci) George J. Klir State University of New York (SUNY)
VíceZpracování neurčitosti
Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní,
VíceIB013 Logické programování I Hana Rudová. jaro 2011
IB013 Logické programování I Hana Rudová jaro 2011 Hodnocení předmětu Zápočtový projekt: celkem až 40 bodů Průběžná písemná práce: až 30 bodů (základy programování v Prologu) pro každého jediný termín:
Více1. Data mining. Strojové učení. Základní úlohy.
1... Základní úlohy. Učení s učitelem a bez učitele. Petr Pošík Katedra kybernetiky ČVUT FEL P. Pošík c 2010 Aplikace umělé inteligence 1 / 36 Obsah P. Pošík c 2010 Aplikace umělé inteligence 2 / 36 Co
VíceUmělá&inteligence! Co#o#nás#říká,#i#když#to#(někdy)#nechceme#slyšet?#
Umělá&inteligence! Co#o#nás#říká,#i#když#to#(někdy)#nechceme#slyšet?# Roman Barták Matematicko-fyzikální fakulta, Univerzita Karlova v Praze Umělá& inteligence& je& věda& o& vytváření& strojů& nebo&systémů,&které&budou&při&řešení&určitého&
VíceInformace jako antropologický fenomén
Informace jako antropologický fenomén Michal Černý Informace jako antropologický fenomén 2015 OBSAH ÚVOD 6 11 11 13 14 19 20...23 28...30...32...34...36 41 42...43...44...47...49...53 55 59...63...64
VícePetr Křemen. Katedra kybernetiky, FEL ČVUT. Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112
Sémantické sítě a rámce Petr Křemen Katedra kybernetiky, FEL ČVUT Petr Křemen (Katedra kybernetiky, FEL ČVUT) Sémantické sítě a rámce 1 / 112 Co nás čeká 1 Úvod do reprezentace znalostí 2 Sémantické sítě
VíceBiologicky inspirované výpočty. Schématické rozdělení problematiky a výuky
Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová
VíceUznávání předmětů ze zahraničních studijních pobytů
Uznávání předmětů ze zahraničních studijních pobytů Podnikání a administrativa 7 Mezinárodní obchod Ekonometrie Obecná ekonomie III 8 Velkoobchod a maloobchod Management 9 Marketingové řízení Strategický
VíceVývojové trendy 1. Dnešní téma. Vývojové trendy 2. Vývojové trendy ve zpracování informací a znalostí
Dnešní téma Vývojové trendy 1 Vývojové trendy ve zpracování informací a znalostí Znalostní management Využití umělé inteligence Sémantický web Zpracování přirozeného jazyka 1 Hnacím motorem vývoje v současnosti
VíceNeuronové sítě (11. přednáška)
Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,
VíceÚvod do umělé inteligence, jazyk Prolog
Úvod do umělé inteligence, jazyk Prolog Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ systém, který se chová jako člověk Turingův test (1950) zahrnuje: zpracování přirozeného jazyka (NLP)
VíceÚvod do umělé inteligence, jazyk Prolog
Úvod do umělé inteligence, jazyk Prolog Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Co je umělá inteligence Organizace předmětu PB016 Stručné shrnutí Prologu Úvod do umělé inteligence
VíceÚvod do umělé inteligence, jazyk Prolog
Úvod do umělé inteligence, jazyk Prolog Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Co je umělá inteligence Organizace předmětu PB016 Stručné shrnutí Prologu Úvod do umělé inteligence
VíceÚvod do umělé inteligence, jazyk Prolog
Úvod do umělé inteligence, jazyk Prolog Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Organizace předmětu PB016 Co je umělá inteligence Stručné shrnutí Prologu Úvod do umělé inteligence
VíceÚvod do umělé inteligence, jazyk Prolog
Úvod do umělé inteligence, jazyk Prolog Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Organizace předmětu PB016 Co je umělá inteligence Stručné shrnutí Prologu Úvod do umělé inteligence
Více1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY
1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY 1.1 VÝVOJ MECHATRONIKY Ve vývoji mechatroniky lze vysledovat tři období: 1. etapa polovina 70. let, Japonsko, založení nového oboru shrnuje poznatky z mechaniky,
VíceÚstav automatizace a měřicí techniky.
www.feec.vutbr.cz Specializace studijního oboru Automatizační a Měřicí Technika: Řídicí technika Moderní algoritmy řízení, teorie řízení Modelování a identifikace parametrů řízených systémů Pokročilé metody
VíceTypy filozofických otázek vztahující se k umělé inteligenci
Typy filozofických otázek vztahující se k umělé inteligenci Ontologické otázky (ontologie = učení o bytí, o jeho nejobecnějších určeních a pojmech [http://slovnik-cizich-slov.abz.cz]) Týkají se povahy
VíceAutomatizační a měřicí technika (B-AMT)
Ústav automatizace a měřicí techniky Bakalářský studijní program Automatizační a měřicí technika () Specializace oboru Řídicí technika Měřicí technika Průmyslová automatizace Robotika a umělá inteligence
VíceCASE. Jaroslav Žáček
CASE Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Co znamená CASE? Definice dle SEI A CASE tool is a computer-based product aimed at supporting one or more software engineering activities
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VíceNSWI /2011 ZS. Principy cpypočítačůčů aoperačních systémů ARCHITEKTURA
Principy cpypočítačůčů aoperačních systémů ARCHITEKTURA Literatura W.Stallings: Computer Organization & Architecture J.L.Hennessy, P.A.Patterson: Patterson: Computer Architecture: a Quantitative Approach
VíceÚvod do umělé inteligence, jazyk Prolog
Úvod do umělé inteligence, jazyk Prolog Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Organizace předmětu PB016 Co je umělá inteligence Úvod do umělé inteligence 1/12 1 / 22 Organizace
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Rozdělení sub-oborů robotiky Učební text jméno a příjmení autora Doc. Ing. Mgr. Václav Záda, CSc. Liberec 2010 Materiál
VíceSystémy pro podporu managementu 1
Systémy pro podporu managementu 1 Přednášky pro im2, im3, im5, ai2, ai3 Ing. Karel Mls, Ph.D. 1 2 Základní literatura EFRAIM TURBAN, JAY E. ARONSON: DECISION SUPPORT SYSTEMS AND INTELLIGENT SYSTEMS. PRENTICE
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Neurčitost v geoinformatice (NEGI) Číslo předmětu: 548- Garantující institut: Garant předmětu: geoinformatiky doc. Dr. Ing. Jiří Horák Kredity: 5 Povinnost:
VícePA163 Programování s omezujícími podmínkami
Organizace předmětu PA163 Programování s omezujícími podmínkami Základní informace Web předmětu: http://www.fi.muni.cz/~hanka/cp Průsvitky: průběžně aktualizovány na webu předmětu Ukončení předmětu: cca
Vícedokumentu: Proceedings of 27th International Conference Mathematical Methods in
1. Empirical Estimates in Stochastic Optimization via Distribution Tails Druh výsledku: J - Článek v odborném periodiku, Předkladatel výsledku: Ústav teorie informace a automatizace AV ČR, v. v. i., Dodavatel
VíceExpertní systémy. 1. Úvod k expertním systémům. Cíl kapitoly:
Expertní systémy Cíl kapitoly: Úkolem této kapitoly je pochopení významu expertních systémů, umět rozpoznat expertní systémy od klasicky naprogramovaných systémů a naučit se jejich tvorbu a základní vlastnosti.
VíceZnalostní technologie proč a jak?
Znalostní technologie proč a jak? Peter Mikulecký Kamila Olševičová Daniela Ponce Univerzita Hradec Králové Motivace 1993 vznik Fakulty řízení a informační technologie na Vysoké škole pedagogické v Hradci
VíceNávrh softwarových systémů - architektura softwarových systémů
Návrh softwarových systémů - architektura softwarových systémů Martin Tomášek, Jiří Šebek Návrh softwarových systémů (B6B36NSS) Převzato z přednášky X36AAS M. Molhanec Co je to architektura Využívá se
VíceCurriculum Vitae. Jméno disertace: Algebraic Properties of Fuzzy Logics Školitel: prof. Ing. Mirko Navara, DrSc.
Curriculum Vitae Ing. Rostislav Horčík, Ph.D. 1. Jméno a příjmení, tituly, vědecká hodnost Ing. Rostislav Horčík, Ph.D. 2. Pracoviště AV ČR Ústav informatiky 3. Funkce na pracovišti, celkové zaměření vědecké
VíceKomunikace a paměť pro plausibilní agenty
Komunikace a paměť pro plausibilní agenty Vojtěch Kopal, Ondřej Sýkora Univerzita Karlova v Praze, Matematicko-fyzikální fakulta Malostranské námestí 25, 118 00 Praha 1 vojtech.kopal@gmail.com, sykora@ktiml.mff.cuni.cz
VíceVybrané přístupy řešení neurčitosti
Vybrané přístupy řešení neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 8-1 Faktory jistoty Jedná se o přístup založený na ad hoc modelech Hlavním důvodem vzniku tohoto přístupu je omezení slabin
VíceÚvod do logiky a logického programování.
Úvod do logiky a logického programování Luboš Popelínský popel@fi.muni.cz www.fi.muni.cz/~popel Přehled učiva Opakování základů výrokové a predikátové logiky Normální formy ve výrokové a predikátové logice
VícePojednání k SDZ. Ing. Martin Ondra. Ústav Konstruování Odbor Průmyslového Designu Fakulta strojního inženýrství Vysoké učení technické v Brně
Ing. Martin Ondra Ústav Konstruování Odbor Průmyslového Designu Fakulta strojního inženýrství Vysoké učení technické v Brně Základní informace Název: Identita značky v designu průmyslového výrobku Školitel:
VíceANALYTICKÉ PROGRAMOVÁNÍ
ZVYŠOVÁNÍODBORNÝCH KOMPETENCÍAKADEMICKÝCH PRACOVNÍKŮ OSTRAVSKÉUNIVERZITY V OSTRAVĚ A SLEZSKÉ UNIVERZITY V OPAVĚ ANALYTICKÉ PROGRAMOVÁNÍ Eva Volná Zuzana Komínková Oplatková Roman Šenkeřík OBSAH PRESENTACE
VíceMetody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics)
Metody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics) Literatura Newman, M. (2010). Networks: An Introduction. Oxford University Press. [15-77] Leskovec, J., Rajaraman, A., Ullman, J. D.
VíceModelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří
Univerzita J. E. Purkyně, Fakulta životního prostředí Registrační číslo projektu: MMR WD-44-07-1 Modelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří Závěrečná
VíceKlepnutím lze upravit styl předlohy. nadpisů. nadpisů.
1/ 13 Klepnutím lze upravit styl předlohy Klepnutím lze upravit styl předlohy www.splab.cz Soft biometric traits in de identification process Hair Jiri Prinosil Jiri Mekyska Zdenek Smekal 2/ 13 Klepnutím
VíceMetody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics)
Metody analýzy dat I (Data Analysis I) Úvod do sítí (Networks Basics) Literatura Newman, M. (2010). Networks: An Introduction. Oxford University Press. [15-77] Leskovec, J., Rajaraman, A., Ullman, J. D.
VíceInstitucionální akreditace - bakalářské studium informatiky
Institucionální akreditace - bakalářské studium informatiky 1. ročník pro všechny společný ZS Algoritmizace 2/1 Z+Zk 4 kredity T.Dvořák Programování 1 2/2 Z 5 kreditů Holan Principy počítačů 2/0 Zk 3 kredity
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VícePetr Hájek and Fuzzy Logic in this Country
Institute of Computer Science Academy of Sciences of the Czech Republic ManyVal 2013, Prague Petr Hájek s books P. Vopěnka, P. Hájek: The Theory of Semisets. Academia Praha/North Holland Publishing Company,
VícePokroky matematiky, fyziky a astronomie
Pokroky matematiky, fyziky a astronomie Zdeněk Renc Myšlení a umělá inteligence Pokroky matematiky, fyziky a astronomie, Vol. 21 (1976), No. 4, 212--219 Persistent URL: http://dml.cz/dmlcz/139508 Terms
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VícePřednášející: Michal Vavrečka Konzultace: dle dohody Místo a čas: každý čtvrtek v v místnosti U33 Předpoklady:
Úvod do kognitivních věd PSY 481 Formality Přednášející: Michal Vavrečka Email: vavrecka@fss.muni.cz Konzultace: dle dohody Místo a čas: každý čtvrtek v 18.00 v místnosti U33 Předpoklady: základní znalosti
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Projektové řízení (PR) Číslo předmětu: 548-0049 Garantující institut: Garant předmětu: Institut geoinformatiky doc. Ing. Petr Rapant, CSc. Kredity: 5 Povinnost:
VícePOČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ
POČÍTAČOVÁ FORMALIZACE MENTÁLNÍCH MODELŮ METODAMI PRAVDĚPODOBNOSTNÍHO JAZYKOVÉHO MODELOVÁNÍ ON MENTAL MODELS FORMALIZATION THROUGH THE METHODS OF PROBABILISTIC LINGUISTIC MODELLING Zdeňka Krišová, Miroslav
VíceJazyk názvu DiP: cs 1 / 6
1 FEI INF prof. RNDr. Václav Snášel, CSc. DNA assembler DNA assembler 2 FEI INF prof. RNDr. Václav Snášel, CSc. Deep learning Deep learning 3 FEI INF prof. RNDr. Václav Snášel, CSc. Dynamic graph visualization
VíceMetody tvorby ontologií a sémantický web. Martin Malčík, Rostislav Miarka
Metody tvorby ontologií a sémantický web Martin Malčík, Rostislav Miarka Obsah Reprezentace znalostí Ontologie a sémantický web Tvorba ontologií Hierarchie znalostí (D.R.Tobin) Data jakékoliv znakové řetězce
VíceEvropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-SOC: 8 SÍTĚ NAČIPU (NOC) doc. Ing. Hana Kubátová, CSc. Katedra číslicového návrhu Fakulta informačních technologii ČVUT v Praze Hana
VíceExpertní systémy. Typy úloh: Klasifikační Diagnostické Plánovací Hybridní Prázdné. Feingenbaum a kol., 1988
Expertní systémy Počítačové programy, simulující rozhodovací činnost experta při řešení složitých úloh a využívající vhodně kvality rozhodování na úrovni experta. Typy úloh: Klasifikační Diagnostické Plánovací
Více7. Inferenční metody. Inferenční metody Václav Matoušek, Josef Strolený Úvod do znalostního inženýrství, ZS 2014/
Inferenční metody 18.11.2014 7-1 Inferenční metody Rezoluční systémy Dopředné a zpětné řetězení Výběr dotazu Nemonotónní usuzování 7-2 a) Česká Literatura Dvořák J.: Expertní systémy. Skriptum VUT Brno,
VíceIndustry 4.0 @ Robert BOSCH
Inovační think-tank TA ČR - Robert Bosch spol.s r.o. Industry 4.0 @ Robert BOSCH Internet der Dingen Virtual Prototyping Cyber- physical things Services Robert Bosch České Budějovice v roce 202x??? Finding
Více2000s E-business. 2010s Smarter Planet. Client/Server Internet Big Data & Analytics. Global resources and process excellence
IBM Jediná IT společnost, která se transformovala skrze několik technických oblastí a ekonomických cyklů. 1980s Centralized Mainframes 1990s Distributed Computing 2000s E-business 2010s Smarter Planet
VíceKognitivní informatika očima studentů
Kognitivní informatika očima studentů Výsledky ankety ZS 2011/2012 Kateřina Farská O dotazníku Reponse rate relativně vysoká: 49% (odpovědělo 26 z 53 aktuálně studujících) Až na výjimky vysoká kvalita
Více