Novým tématem časopisu Buď FIT je v roce 2021 umělá inteligence, kterou na FIT můžete studovat v bakalářském i magisterském studijním programu. Pojďme se nyní podívat, které předměty se umělou inteligencí zabývají a co všechno se v nich mohou studenti naučit.
Aktuálně (únor 2021) dobíhá původní akreditace bakalářského studijního programu, kde lze umělou inteligenci studovat v oboru Znalostní inženýrství. V nové akreditaci, jejíž první běh nás čeká již v zimním semestru akademického roku 2021/2022, bude možno umělou inteligenci studovat v poněkud přesněji pojmenovaném nikoliv již oboru, ale specializaci Umělá inteligence. Magisterský studijní program byl reakreditován v roce 2018, jeho nová verze je tedy nyní ve druhém běhu a můžete zde studovat umělou inteligenci ve specializaci Znalostní inženýrství.
Bakalářský studijní program
Studium umělé inteligence v bakalářském studijním programu vám poskytne dobrou orientaci v rozličných disciplínách tohoto oboru, například ve strojovém učení, zpracování a vizualizaci dat, dolování dat z webu, znalostních systémech a dalších. Oproti jiným oborům, resp. specializacím je v učivu více matematiky, výsledkem je však to, že budete probíraným modelům skutečně do hloubky rozumět a použijete je mnohem efektivněji, než kdyby pro vás byly jen jakýsi blackbox. Jako absolvent se můžete stát analytikem v oblasti zpracování dat, vývojářem systémů pro podporu strategického rozhodování nebo systémů pro zpracování velkých dat.
Dobíhající akreditace bakalářského studijního programu
Povinné oborové předměty
V rámci bakalářského oboru Znalostní inženýrství je povinných několik oborových předmětů.
BI-PJV (Programování v Javě): Java je z pohledu machine learningu poněkud obstarožní reziduum, proto bude tento předmět v nové akreditaci nahrazen předmětem BI-PYT (Programování v Pythonu). Nemusíte však tento předmět pohlížet skrz prsty – studium vám nepochybně ulehčí entuziasmus přednášejícího, kterým je Ing. Miroslav Balík, Ph.D.
Předmět BI-ZNS (Znalostní systémy), který vyučuje děkan fakulty doc. RNDr. Ing. Marcel Jiřina, Ph.D. společně s Ing. Mgr. Ladislavou Smítkovou Janků, Ph.D., se zabývá tvorbou znalostních systémů, které implementují různé způsoby rozhodování na základě aktuálních podnětů a báze získaných znalostí.
BI-VWM (Vyhledávání na webu a v multimediálních databázích) nahlíží na web jako na rozsáhlé, distribuované a heterogenní dokumentové úložiště. Seznámí studenty s technikami dolování dat z takového úložiště, ukáže jim, jak zajistit, aby získaná data byla relevantní a předvede principy, které používají moderní webové vyhledávače. Znalostnímu inženýrovi poskytne vítaný přesah ze světa klasických predikčních modelů do webového prostředí. Předmět přednáší vyučující z Matematicko-fyzikální fakulty Univerzity Karlovy prof. RNDr. Tomáš Skopal, Ph.D., cvičení vede Ing. Jiří Novák, Ph.D.
V předmětu BI-ZUM (Základy umělé inteligence) vyučuje doc. RNDr. Pavel Surynek, Ph.D. s dr. Smítkovou Janků klasické techniky umělé inteligence (prohledávání stavového prostoru, plánování, teorie her) a některé soft-computingové přístupy k řešení problémů (genetické algoritmy).
BI-BIG (DB technologie pro Big Data) představí problematiku dat, která již nejsou zpracovatelná klasickými relačními databázemi, a je potřeba použít speciální distribuované nástroje, např. Apache Cassandra, ElasticSearch, Apache Hadoop, Apache Spark a další. Nemusíte se bát nějaké vyčerpávající teorie, oba přednášející Ing. Josef Gattermayer, Ph.D. a Ing. Barbora Červenková, DiS. se těmto technologiím věnují v praxi.
BI-VZD (Vytěžování znalostí z dat) je skvělým úvodem do machine learningu. Hvězdné duo Ing. Karel Klouda, Ph.D. a Ing. Daniel Vašata, Ph.D. na poutavých přednáškách představí nejpoužívanější modely strojového učení, rozeberou jejich matematické principy i praktické použití a nakonec se budou zabývat technikami trénování modelů, jejich testováním a validací.
Volitelné předměty
V průběhu studia je možno si vybrat některé z volitelných předmětů. Z pohledu umělé inteligence, resp. oboru Znalostní inženýrství jsou relevantní následující:
BI-PYT (Programování v Pythonu): studenti se hlouběji seznámí s nejpoužívanějším programovacím jazykem v oboru umělé inteligence. Probráno bude vše od základních konstrukcí až po ty pokročilé (iterátory, generátory, dekorátory) a široce používané knihovny Pandas a Numpy.
BI-VMM (Vybrané matematické metody) pod vedením Ing. Tomáše Kalvody, Ph.D. doplní látku, která se nevešla do předmětů BI-ZMA a BI-LIN. Tou je matematická analýza nad komplexními čísly, Fourierovy řady, diskrétní a rychlá Fourierova transformace, funkce více proměnných, diferenciální rovnice a jako bonus lineární programování.
BI-SVZ (Strojové vidění a zpracování obrazu) představí v kontextu ostatních předmětů netradiční látku týkající se kamerových systémů, získávání obrazových dat a jejich zpracování. Studenti se seznámí s různými technikami jako je segmentace, perspektivní transformace, spektrální analýza, matematická morfologie a dalšími. Předmět vyučuje tým lidí okolo ImproLabu.
V předmětu BI-SZ1, resp. BI-SZ2 (Seminář znalostního inženýrství) je třeba nastudovat vědecký článek týkající se umělé inteligence, který je pak ve srozumitelné formě prezentován ostatním. Každou z těchto prezentací oponují dva další studenti, kteří přednášejícímu pokládají doplňující dotazy.
Nová akreditace bakalářského studijního programu
Nová akreditace bakalářského studijního programu přináší nejen z pohledu specializace Umělá inteligence mnoho změn a nových předmětů. Kupříkladu stávající Lineární algera bude rozdělena do dvou předmětů: všeobecně povinné BI-LA1 (Lineární algebra 1) a BI-LA2 (Lineární algebra 2), která bude povinná pro vybrané specializace včetně Umělé inteligence. Povinná Pravděpodobnost a statistika bude přesunuta z 5. do 3. semestru, jelikož tato látka je potřebná v mnoha dalších předmětech specializace. Její původní místo v 5. semestru zaujmou Automaty a gramatiky. Teoretické znalosti statistiky upevní BI-PRS (Praktická statistika), kde si studenti pod vedením Mgr. Petra Nováka, Ph.D. vyzkouší použití statistických metod na reálných datech, ze kterých budou získávat různé informace a vizualizovat je. Používán bude programovací jazyk R. Z populárního předmětu BI-VZD (Vytěžování znalostí z dat) se stanou předměty hned dva, a sice BI-ML1 (Machine learning 1) a BI-ML2 (Machine learning 2). Oproti BI-VZD se studenti mohou těšit na nové predikční modely a techniky.
Zcela novým předmětem bude BI-VIZ (Vizualizace dat), kde Ing. Magda Friedjungová, Ph.D. představí možnosti vizualizace dat v business intelligence nástrojích formou tvorby dashboardů a reportů.
V 5. semestru budou mít studenti na výběr ze dvou skupin povinně volitelných předmětů. Bude nutno zvolit si alespoň jeden předmět z dvojice BI-PYT a BI-JUL (Programování v jazyce Julia), což je zcela nový předmět, kde dr. Kalvoda představí programovací jazyk Julia používaný pro vědecké výpočty. Ukázky použití tohoto jazyka si můžete prohlédnout v noteboocích na této stránce.
Druhou skupinu tvoří již představené předměty BI-SVZ, BI-VWM, BI-BIG, BI-ZNS, z nichž si bude nutno vybrat alespoň 2. Malé upozornění – o předmět BI-SVZ bývá zpravidla velký zájem a jeho kapacity se rychle plní, proto je vypisován v zimním i v letním semestru. Pokud vás téma zpracování obrazu zajímá, zapište si jej co nejdřív, ať na vás zbude místo.
Magisterský studijní program
Navazující magisterské studium umělé inteligence dále rozvíjí poznatky získané v bakalářském studiu a prezentuje pokročilé predikční modely a metody umělé a výpočetní inteligence, optimalizace a dolování dat. Absolventi se uplatní jako datoví analytici, specialisté v oblasti získávání nových znalostí nebo výzkumníci na poli umělé inteligence a strojového učení.
Povinné předměty specializace Znalostní inženýrství uvádí předmět NI-MVI (Metody výpočetní inteligence), který probírá metody a techniky výpočetní inteligence vycházející z tradiční umělé inteligence. Tyto metody, zpravidla paralelní povahy, budou studenti aplikovat na problémy související s data miningem, řízením, inteligencí ve hrách, optimalizací a dalšími tématy. Předmět vyučují doc. Ing. Pavel Kordík, Ph.D. a Mgr. Alexander Kovalenko, Ph.D.
Data, která přichází znalostním inženýrům pod ruku, častokrát zdaleka nedosahují potřebných kvalit a až 80 % práce datového inženýra tvoří jejich čištění a příprava pro další použití. Této důležité problematice se věnuje předmět NI-PDD (Předzpracování dat) vyučovaný doc. Marcelem Jiřinou a dr. Magdou Friedjungovou. Studenti zde získají znalosti o algoritmech pro extrakci parametrů z různých datových zdrojů (obrázků, textů, časových řad a dalších).
Na látku předmětu BI-ZUM naváže doc. Surynek v předmětu NI-UMI (Umělá inteligence), kde některá témata z bakalářského studia probere do větší hloubky, jiná, např. techniky pro splňování omezujících podmínek nebo rozhodování v logických teoriích, uvede zcela nově.
NI-ADM (Algoritmy data miningu), který rozvíjí látku probranou v předmětu BI-VZD, resp. BI-ML1 a BI-ML2, dále probere doporučovací systémy a další typy predikčních modelů. Předmět vyučují Karel Klouda, Daniel Vašata a Pavel Kordík.
Ing. Kamil Dedecius, Ph.D., kterého studenti mohou znát z předmětu BI-PST, vyučuje společně s Ing. Ondřejem Tichým, Ph.D. předmět NI-BML (Bayesovské metody ve strojovém učení), ve kterém pomocí metod bayesovského modelování popisují různé jevy a veličiny a predikují jejich budoucí vývoj.
Optimalizačními problémy v oblasti machine learningu a umělé inteligence se zabývá předmět NI-PON (Vybrané partie z optimalizace a numeriky), který detailně probere implementaci technik pro řešení těchto problémů na počítači a související matematické koncepty z numerické lineární algebry. Karla Kloudu a Daniela Vašatu zde doplňuje doc. Ing. Štěpán Starosta, Ph.D.
Z čistě volitelných předmětů doporučujeme například NI-PYT (Pokročilý Python), NI-ROZ (Rozpoznávání), NI-SZ1, resp. NI-SZ2 (Seminář znalostního inženýrství magisterský), NI-TNN (Teorie neuronových sítí), NI-IKM (Internet a klasifikační metody), NI-EDW(Podnikové datové sklady) nebo NI-LSM(Laboratoř statistického modelování), který však v době pandemie není vyučován, neb se pro distanční výuku příliš nehodí.
