|
Vyučující
|
-
Mukherjee Amrit, Dr. Ph.D.
-
Vohnout Rudolf, Ing. Ph.D.
-
Budík Ondřej, Ing.
|
|
Obsah předmětu
|
Obsah cvičení/semináře: 1. Implementace témat výzkumných prací z oblasti umělé inteligence, strojového učení, počítačového vidění, zpracování přirozeného jazyka a dalších. 2. Používání moderního špičkového hardwaru, jako jsou klastry GPU a cloudové služby, samojízdná auta nebo humanoidní roboti. 3. Využití agilního procesního rámce, jako je Scrum. 4. Porozumění a používání moderních nástrojů pro vývoj průmyslového softwaru, jako jsou sledovače pracovních balíčků, systémy pro revizi kódu, debuggery, profilery a další. 5. Prezentace výsledků výzkumu a vývoje zúčastněným stranám na různých úrovních, jako jsou spolužáci, členové fakulty a odborníci a vedoucí pracovníci. Tento předmět zahrnuje silnou spolupráci s odborníky z praxe, kteří spolu s garantem předmětu mohou ovlivnit laboratorní práci a její obsah. Zaměření práce v laboratoři by mělo být ideálně spojeno s tématem diplomové práce.
|
|
Studijní aktivity a metody výuky
|
Praktická výuka
- Účast na výuce
- 30 hodin za semestr
- Semestrální práce
- 120 hodin za semestr
|
|
Výstupy z učení
|
Účelem tohoto kurzu je poskytnout studentům praktické zkušenosti s vývojem aplikací orientovaných na AI. Studenti budou mít příležitost přečíst si některé špičkové výzkumné práce a poté je proměnit v konkrétní výsledky softwaru / hardwaru. Vývoj aplikací bude prakticky realizován v nově zřízené laboratoři vybavené moderními technologiemi, jako jsou samořídící vozy, humanoidní roboti, pokročilé vestavěné systémy, GPU cluster atd.
Praktická znalost práce s pokročilými embedded zařízeními.
|
|
Předpoklady
|
Vzhledem k tomu, že tyto projekty jsou dokončovány v týmech, budou mít studenti také příležitost rozpracovat své sociální a jazykové dovednosti. Na konci semestru budou studenti prezentovat své projekty na interním veletrhu výzkumu a vývoje, který bude přístupný veřejnosti.
|
|
Hodnoticí metody a kritéria
|
Rozbor produktů pracovní činnosti studenta (technické práce), Rozbor kvalifikační práce
Student musí vytvořit a obhájit prakticky zaměřený projekt.
|
|
Doporučená literatura
|
-
A. GÉRON. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, O'Reilly Media, Inc. 2019, ISBN: 9781492032649.
-
A. R. JHA, G. PILLAI. Mastering PyTorch, Packt Publishing 2021, ISBN: 978-1789614381.
-
C. BISHOP. Pattern Recognition and Machine Learning, Springer, 2006, ISBN: 978-0-387-31073-2.
-
E. EL KHALED. Accelerating AI with Synthetic Data, O'Reilly Media, Inc., 2020, ISBN: 9781492045984.
-
I. GOODFELLOW, Y. BENGIO AND A. COURVILLE. Deep Learning, MIT Press, 2016, ISBN: 9780262035613.
-
J. HOWARD, S. GUGGER. Deep Learning for Coders with Fastai and PyTorch: AI Applications Without a PhD, O'Reilly Media; 1st edition, 2020, ISBN: 978-1492045526.
|