Kurz umělé inteligence (AI)

Lekce 1 • Etika AI a zodpovědný návrh

Představuje principy zkreslení, spravedlnosti, transparentnosti a odpovědnosti. Stanovuje etické uvažování jako nekompromisní omezení návrhu v průběhu celého kurzu.

Lekce 2 • Základy reprezentace znalostí

Vysvětluje výrokovou a predikátovou logiku prvního řádu a sémantické sítě a ukazuje, jak symbolické reprezentace kódují fakta a vztahy. Ukazuje integraci kombinující symbolické a neuronové metody.

Lekce 3 • Inteligentní agenti a prostředí

Definuje racionální agenty, rámec PEAS a typy prostředí. Studenti dokáží navrhovat architektury agentů vhodné pro konkrétní úkolová prostředí.

Lekce 4 • Historie a vývoj AI

Sleduje vývoj AI od symbolické logiky po hluboké učení a zdůrazňuje klíčové průlomy. Poskytuje kontext pro pochopení, proč moderní techniky vznikly a kde vynikají.

Lekce 1 • Základy učení s učitelem

Pokrývá označená data, ztrátové funkce a optimalizaci založenou na gradientu. Tvoří základ pro pozdější pochopení neuronových sítí a pokročilých modelů.

Lekce 2 • Klasifikační algoritmy do hloubky

Zkoumá logistickou regresi, rozhodovací stromy, SVM a k‑NN. Pokrývá trénovací pipeline, hyperparametry a vyhodnocení, aby studenti mohli implementovat a porovnat každý klasifikátor na benchmarkových datových sadách.

Lekce 3 • Regresní a predikční modely

Vytváří modely lineární a polynomiální regrese se statistickou interpretací. Propojuje přesnost predikce s obchodním a vědeckým rozhodováním.

Lekce 4 • Metody učení bez učitele

Zkoumá shlukování, redukci dimenzionality a odhad hustoty. Studenti objevují skrytou strukturu v neoznačených datech pro explorativní analýzu.

Lekce 1 • Zpětné šíření chyby a optimalizace

Odvozuje zpětné šíření chyby pomocí řetězového pravidla a pokrývá Adam, RMSProp a SGD. Studenti ladí mizející gradienty a efektivně ladí optimalizátory.

Lekce 2 • Rekurentní sítě a sekvenční modely

Zkoumá rekurentní neuronové sítě, jednotky LSTM a GRU pro modelování sekvenčních dat. Pokrývá rozbalování, zpětné šíření v čase a praktické aspekty, čímž propojuje tyto techniky s NLP a predikcí časových řad.

Lekce 3 • Regularizace a praktický trénink

Aplikuje dropout, předčasné zastavení a trénink se smíšenou přesností na reálné sítě. Studenti snižují přeučení a zkracují dobu tréninku na GPU hardwaru.

Lekce 4 • Konvoluční neuronové sítě

Pokrývá konvoluci, pooling a interpretaci map příznaků pro úlohy s obrazem. Studenti sestavují CNN a aplikují transferové učení na vlastní datové sady.

Lekce 1 • Slovní embeddingy a sémantický prostor

Trénuje a aplikuje embeddingy Word2Vec, GloVe a FastText a ukazuje, jak husté vektory zachycují sémantickou podobnost. Zahrnuje evaluační techniky a vizualizace pro zkoumání embeddingových prostorů.

Lekce 2 • Hluboký ponor do architektury Transformer

Rozebírá vícehlavou samo-pozornost, poziční kódování a strukturu kodér-dekodér. Poskytuje architektonické porozumění potřebné pro jemné ladění velkých jazykových modelů.

Lekce 3 • Předtrénované modely a jemné ladění

Jemně ladí varianty BERT, RoBERTa a GPT na doménově specifické úkoly. Studenti dosahují špičkových výsledků NLP s omezeným množstvím označených dat.

Lekce 4 • Aplikace a pipeline NLP

Vytváří end-to-end pipeline pro analýzu sentimentu, NER a sumarizaci. Integruje předzpracování, modelování a nasazení do produkčně připravených systémů.

Lekce 1 • Vision Transformery a moderní architektury

Aplikuje Vision Transformery, CLIP a DINO pro klasifikaci obrazu a rozpoznávání bez předchozích příkladů. Vysvětluje patch embedding, samo-pozornost a kontrastivní učení a propojuje koncepty NLP transformerů s moderními systémy vidění.

Lekce 2 • Generativní modely pro obrazy

Vytváří GANy a variační autoenkodéry k syntéze realistických obrazů a provádění přenosu stylu. Zkoumá manipulaci s latentním prostorem, triky pro stabilitu tréninku a metriky pro hodnocení kvality a diverzity generování.

Lekce 3 • Architektury detekce objektů

Porovnává YOLO, Faster R-CNN a SSD pro detekci v reálném čase a přesnou detekci. Studenti trénují detektory na vlastních datových sadách s anotacemi ohraničujících boxů.

Lekce 4 • Sémantická a instanční segmentace

Implementuje U‑Net a Mask R‑CNN pro segmentaci na úrovni pixelů, podrobně popisuje návrhy kodér‑dekodér a pipeline pro generování masek. Propojuje tyto techniky s doménami, jako je lékařské zobrazování, autonomní řízení a robotika.

Lekce 1 • Metody bez modelu založené na hodnotách

Implementuje Q‑learning, SARSA a Deep Q-Networks v prostředích Gym. Studenti rozumí učení s časovým rozdílem a přehrávání zkušeností.

Lekce 2 • Markovovy rozhodovací procesy

Matematicky formalizuje stavy, akce, odměny a dynamiku přechodů. Poskytuje teoretický základ pro všechny algoritmy zpětnovazebního učení.

Lekce 3 • Multi-agentní a hierarchické RL

Rozšiřuje RL na kooperativní a kompetitivní multi-agentní prostředí a hierarchie dovedností. Připravuje studenty na řízení komplexních systémů v reálném světě.

Lekce 4 • Pokročilé RL: PPO a SAC

Aplikuje Proximální optimalizaci politiky a Soft Actor-Critic na komplexní úlohy. Studenti dosahují stabilního tréninku na benchmarcích spojitého řízení.

Lekce 1 • Jemné ladění a alignment

Aplikuje supervised fine‑tuning, RLHF a přímou optimalizaci preferencí k přizpůsobení LLM lidskému záměru. Studenti vytvářejí doménově specifické modely, které následují instrukce a dodržují bezpečnostní omezení.

Lekce 2 • Prompt inženýrství a učení v kontextu

Aplikuje techniky zero-shot, few-shot, chain‑of‑thought a strukturované prompty. Efektivní promptování násobí schopnosti modelu bez jakékoli aktualizace parametrů.

Lekce 3 • Architektura LLM a zákony škálování

Analyzuje architektury GPT, LLaMA a Mistral spolu se zákony škálování Chinchilla. Studenti předpovídají schopnosti modelu na základě výpočetních a datových rozpočtů.

Lekce 4 • LLM agenti a používání nástrojů

Vytváří autonomní agenty s využitím ReAct, volání funkcí a multi-agentních frameworků. Studenti nasazují agenty, kteří plánují, používají nástroje a dokončují vícekrokové úkoly.

Lekce 1 • Monitorování a údržba modelu

Implementuje detekci driftu, upozornění a spouštěče přetrénování v produkci. Zabraňuje tiché degradaci modelu, která v průběhu času snižuje obchodní hodnotu.

Lekce 2 • Sledování experimentů a reprodukovatelnost

Používá MLflow, Weights & Biases a DVC k systematickému logování experimentů. Reprodukovatelnost umožňuje týmovou spolupráci a soulad s předpisy.

Lekce 3 • Servírování a nasazení modelu

Nasazuje modely prostřednictvím REST API, dávkových pipeline a běhových prostředí na okraji sítě. Provede studenty Docker kontejnerizací, serializací modelu a strategiemi škálovatelného servírování pro výkon a spolehlivost.

Lekce 4 • Škálovatelná trénovací infrastruktura

Konfiguruje distribuovaný trénink s Horovodem a cloudovými GPU clustery. Studenti zkracují dobu tréninku velkých modelů pomocí strategií paralelismu.