Skoči na glavni sadržaj

Sadržaj predmeta

Uvod u umjetnu inteligenciju

Kratica:
FIL
Opterećenje:
15(P) + 15(S)
Nositelji:

doc. dr. sc. Sandro Skansi

Izvođači:

doc. dr. sc. Sandro Skansi (S)

Opis predmeta:
Upoznati studenta s temama vezanim uz umjetnu inteligenciju (kroz paradigmu dubokoga učenja), njezine temelje, primjene i izazove. Naučiti prikazati osnovne ideje dubokoga učenja i razviti samostalno osnovne sustave umjetne inteligencije kao i definirati zadatke koji se danas stavljaju pred umjetnu inteligenciju. Znati precizno definirati odnos pojedinca spram tehnologija umjetne inteligencije i njezine uloge u društvu kao i prepoznati probleme vezane uz sigurnost umjetne inteligencije i njezine potencijalne zloporabe, s naglaskom na etičke probleme vezane uz sigurnosne izazove današnje umjetne inteligencije. Naučiti osnovne dubokoga učenja s Pythonom (distribucija Anaconda), od osnova Pythona sve do implementacije višeslojne umjetne neuronske mreže koja prepoznaje ručno pisane brojeve. Akademska postignuća (ishodi učenja) na razini programa kojima predmet pridonosi: Argumentirati i racionalno braniti vlastita filozofska shvaćanja. Prosuđivati interdisciplinarno i uzimati u obzir različite znanstvene metodologije i poglede na posebna pitanja i probleme umjetne inteligencije. Razmatrati i prosuđivati opravdanost različitih teoretskih i praktičnih prijedloga, uvažavajući posebnosti raznih područja života i radnih okolina. Razvijati kritičko mišljenje i strukturalno formalno mišljenje Očekivana akademska postignuća na razini predmeta: 1. Kritički prosuditi o ulozi umjetne inteligencije i dubokoga učenja u društvu. 2. Objasniti metodologiju konvolucijskih neuronskih mreža. 3. Preispitati sigurnosne aspekte i moguće zloporabe dubokoga učenja. 4. Istražiti različite primjene umjetne inteligencije i dubokoga učenja s naglaskom na etičke aspekte prikupljanja podataka korisnika. Opis sadržaja predmeta: 1. Opći uvod u umjetnu inteligenciju i teorijske limitacije njezine uporabe. Okviri umjetne inteligencije. 2. Uvod u strojno učenje i duboko učenje. Instalacija Anaconde. 3. Dijagramatski prikaz procesa strojnoga učenja. Osnovne operacije u Pythonu. 4. Mjere uspješnosti strojnoga učenja. Petlje u Pythonu. 5. Logistička regresija. Definicije u Pythonu. 6. Povijesni kontekst nastanka kibernetike i dubokoga učenja. Razumijevanje lista u Pythonu. 7. Ulančavanje unazad (backpropagation). Učitavanje i prerada CSV-datoteka u Pythonu. 8. Višeslojna umjetna neuronska mreža. Osnove SKLearn u Pythonu. 9. Vizualni uvod u konvolucijske neuronske mreže. MNIST skup podataka. Učitavanje MNIST-a sa SKLearn. 10. Pitanje privatnosti i digitalni podatci. Instalacija Gimpa. Najosnovnije operacije obrade slike u Gimpu (greyscale, crop i resize). 11. Sigurnosne primjene umjetnih neuronskih mreža. Višeslojna umjetna neuronska mreža u SKLearn. 12. Preventivna kriminalistika i etička pitanja vezana uz predviđanja kriminala. Izrada gotovoga sustava za prepoznavanje ručno pisanih brojeva. 13. Duboko učenje i rasizam - od nebalansiranosti podataka do predrasuda. Eksperimentiranje s gotovim sustavom i ručno pisanim brojevima. 14. Prema epistemologiji umjetne inteligencije: usporedba s čovjekom i kognitivnim procesima. Osnove Kerasa i njegova instalacija. Prikaz gotove konvolucijske mreže za MNIST u Kerasu. 15. Završna rasprava

Legenda

  • P - Predavanja
  • S - Seminar