Human-centered a bezpečná umělá inteligence

Předmět Principy umělé inteligence vám poskytne ucelený úvod do základních konceptů a metod, na kterých je postavena moderní umělá inteligence. Seznámíte se s tím, jak AI systémy reprezentují znalosti, řeší úlohy ve stavovém prostoru a jakým způsobem probíhá automatické usuzování a rozhodování. Naučíte se rozlišovat různé přístupy k řešení problémů a chápat jejich předpoklady, výhody i omezení.

V průběhu předmětu získáte přehled o základních principech strojového učení, adaptace a práce s neurčitostí, stejně jako o návrhu agentních systémů a zpracování znalostí. Naučíte se aplikovat vybrané algoritmy a metody na konkrétní úlohy a posuzovat jejich vhodnost pro řešení reálných problémů. Předmět vám vytvoří teoretický základ pro další studium specializovaných oblastí umělé inteligence a pro jejich praktické využití v oblasti data science a AI aplikací.

Garantem předmětu je Petr Berka.

Předmět Grafová a relační data: reprezentace a analýza (v angličtině) vám poskytne hlubší porozumění grafově strukturovaným datům a jejich využití v moderních datových a AI aplikacích. Navážete na znalosti z databázových systémů a rozšíříte je směrem ke grafovým datovým modelům, zejména RDF a property graph. Naučíte se navrhovat strukturu grafových dat, vytvářet a propojovat datasety z různých zdrojů a efektivně se v nich dotazovat pomocí specializovaných jazyků.

V průběhu předmětu si vyzkoušíte publikování grafových dat na webu a práci s nástroji pro jejich validaci a sdílení. Získáte také úvod do analytických úloh nad grafovými a relačními daty, včetně základů dolování znalostí, vektorové reprezentace grafů a aplikace metod strojového učení. Předmět vám umožní propojit teorii s praxí prostřednictvím projektů a lépe porozumět tomu, jak grafová data podporují znalostní systémy, sémantický web a moderní přístupy v oblasti AI a data science.

Na předmětu se potkáte s jeho garantem Vojtěchem Svátkem.

Předmět **Metadovednosti pro praxi** vám umožní rozvíjet klíčové interpersonální a profesní dovednosti, které jsou nezbytné pro úspěšnou realizaci odborných návrhů v reálné praxi. Zaměřuje se na propojení odborných znalostí s rozvojem měkkých dovedností, jako je efektivní týmová spolupráce, komunikace, leadership a schopnost prosazovat řešení vůči různým stakeholderům. Naučíte se přistupovat k řešení komplexních problémů systematicky, od jejich identifikace až po strategickou komunikaci a implementaci návrhů založených na důkazech.

V průběhu předmětu budete pracovat v týmech na konkrétních úkolech inspirovaných praxí a rozvíjet dovednosti kritického a kreativního myšlení, time managementu i práce s neúspěchem. Vyzkoušíte si pokročilé techniky prezentace, storytellingu a strategické komunikace v českém i anglickém jazyce a naučíte se využívat moderní nástroje včetně technologií AI pro podporu týmové práce a obhajobu navržených řešení. Výstupem je prezentace návrhu implementace řešení, která simuluje reálné pracovní prostředí a připraví vás na profesní výzvy v oblasti AI a data science.

Předmět je vyučován pro studenty napříč navazujícími magisterskými programy Fakulty informatiky a statistiky. Garantkou je Jana Holá z Katedry infomračních technologií.

Předmět Velké jazykové modely vám poskytne hlubší porozumění architektuře a principům fungování moderních jazykových modelů, které dnes hrají klíčovou roli v oblasti zpracování přirozeného jazyka. Seznámíte se s vývojem neuronových sítí a transformerových architektur a pochopíte, jak jsou velké jazykové modely trénovány a optimalizovány. Naučíte se, jak tyto modely reprezentují jazyk a jaké jsou jejich silné stránky i omezení při řešení jazykových úloh.

V průběhu předmětu si vyzkoušíte praktické využití velkých jazykových modelů při generování textu, strojovém překladu, sumarizaci nebo analýze sentimentu. Naučíte se navrhovat a implementovat řešení pro konkrétní jazykové úlohy, provádět ladění a hodnocení výkonu modelů a pracovat s přístupy, jako je Retrieval Augmented Generation. Předmět vám zároveň pomůže porozumět etickým a technickým výzvám spojeným s využíváním těchto technologií a zorientovat se v současných trendech a výzkumu v oblasti velkých jazykových modelů.

Garantem předmětu je Tomáš Kliegr.

Předmět Optimalizační metody vám poskytne úvod do základních optimalizačních modelů a technik, které se využívají při podpoře ekonomického a manažerského rozhodování. Seznámíte se s různými typy optimalizačních úloh, jejich klasifikací a typickými aplikačními oblastmi. Naučíte se chápat roli účelové funkce, omezení a rozhodovacích proměnných a porozumíte principům lineárního, celočíselného i nelineárního programování v kontextu reálných rozhodovacích problémů.

V praktické části si vyzkoušíte formulaci a řešení optimalizačních úloh v jazyce Python a získáte přehled o softwarových nástrojích používaných pro modelování a optimalizaci. Naučíte se interpretovat výsledky, pracovat s dualitou a analýzou citlivosti a pochopíte omezení jednotlivých přístupů z hlediska výpočetní náročnosti. Předmět vám umožní aplikovat optimalizační metody na konkrétní situace z praxe a vytvoří základ pro další studium pokročilejších optimalizačních technik.

Garantem je Ondřej Sokol z Katedry ekonometrie.

Předmět Diplomový seminář vám poskytne systematickou podporu při zpracování diplomové práce od jejího zadání až po přípravu na obhajobu. Seznámíte se se všeobecnými zásadami vypracování diplomové práce, správnou prací s informačními zdroji a požadavky kladenými na odborný i formální obsah práce. Předmět vám pomůže strukturovat vlastní postup práce a průběžně ověřovat, že zvolené řešení odpovídá akademickým standardům.

V rámci semináře budete diskutovat průběžné výsledky své práce, konzultovat konkrétní problémy a získávat zpětnou vazbu od vyučujících i ostatních studentů. Naučíte se připravit práci k obhajobě, srozumitelně prezentovat dosažené výsledky a obhajovat zvolený přístup i závěry. Předmět vám vytvoří podmínky pro úspěšné dokončení a obhajobu diplomové práce.

Předmět **Sociální a psychologické aspekty užití systémů umělé inteligence** vám poskytne systematický pohled na to, jak zavádění systémů umělé inteligence ovlivňuje jednotlivce, organizace i společnost jako celek. Seznámíte se s psychologickými, sociologickými a sociotechnickými přístupy, které se v informatice využívají k porozumění interakcím mezi lidmi a technologiemi. Naučíte se analyzovat faktory ovlivňující akceptaci, adopci nebo naopak odmítání AI systémů a pochopíte, proč technicky kvalitní řešení nemusí být v praxi vždy přijato.

V rámci předmětu se naučíte systematicky zkoumat sociální kontext nasazení umělé inteligence a aplikovat vybrané sociotechnické přístupy, jako jsou Actor-Network Theory (ANT), Social Construction of Technology (SCOT) nebo Socio-Technical Interaction Network (STIN). Získáte také přehled o základních psychometrických a výzkumných metodách používaných při studiu postojů uživatelů k technologiím. Praktická část předmětu vám umožní provést vlastní analýzu interakcí mezi uživateli a vybraným AI řešením, interpretovat získaná data a formulovat závěry využitelné pro návrh, implementaci a další rozvoj systémů umělé inteligence v reálném prostředí.

Garantem předmětu je Zdeněk Smutný z Katedry systémové analýzy.

Předmět Strojové učení a AI – low code a no code přístupy vám poskytne přehled metod strojového učení používaných při analýze dat a jejich praktického využití bez nutnosti rozsáhlého programování. Seznámíte se s typickými úlohami strojového učení, jako jsou klasifikace, predikce, shlukování nebo detekce anomálií, a pochopíte základní principy používaných algoritmů. Naučíte se také pracovat s předzpracováním reálných dat a porozumíte roli evaluace a interpretace výsledků při posuzování kvality modelů.

V praktické části předmětu si vyzkoušíte práci s vybranými low-code a no-code systémy strojového učení, ve kterých budete sestavovat kompletní analytické pipeline pro řešení konkrétních úloh nad reálnými daty. Naučíte se využívat metody umělé inteligence pro automatizaci jednotlivých kroků strojového učení, včetně ladění hyperparametrů, předzpracování dat a práce s nestrukturovanými daty, jako je text či obraz. Předmět vám umožní pochopit, jak lze strojové učení efektivně aplikovat v praxi i bez hluboké znalosti programování, a jaké jsou možnosti i limity těchto přístupů při řešení reálných problémů.

Garantem tohoto předmětu je Petr Berka.

Předmět Symbolická a vysvětlitelná AI vám přiblíží oblast umělé inteligence založenou na symbolické reprezentaci znalostí a formálním odvozování. Seznámíte se s logickými základy AI, deskripční logikou a principy logického programování a naučíte se pracovat se znalostními grafy a ontologiemi, které tvoří základ současných přístupů symbolické AI. Získáte porozumění tomu, jak jsou znalosti strukturovány, formálně popsány a jak nad nimi lze provádět odvozování pomocí standardů sémantického webu, jako jsou RDF, OWL a SPARQL.

V rámci předmětu si vyzkoušíte návrh doménových ontologií a jejich mapování na základní (foundational) ontologie a naučíte se používat metodiky, modelovací vzory i nástroje pro tvorbu kvalitních znalostních modelů. Důležitou součástí je také vysvětlitelná umělá inteligence, kde se naučíte využívat ontologie k interpretaci a vysvětlování závěrů, včetně těch, které vznikají v subsymbolických modelech, jako jsou neuronové sítě. Předmět vám poskytne teoretické i praktické základy pro návrh AI systémů, které jsou nejen výkonné, ale také transparentní a srozumitelné.

Na předmětu se potkáte s jeho garantem Vojtěchem Svátkem.

Předmět Webová a mobilní analytika vám poskytne přehled metod a nástrojů používaných pro analýzu chování uživatelů webových a mobilních aplikací, včetně sociálních sítí. Seznámíte se se základními principy webové a mobilní analytiky, způsoby sběru dat o uživatelských interakcích a s etickými a právními aspekty jejich sledování. Naučíte se analyzovat strukturu a obsah digitálních kanálů, identifikovat cíle komunikace a porozumět tomu, jak uživatelé s obsahem a aplikacemi skutečně pracují.

V praktické části si vyzkoušíte práci s vybranými analytickými nástroji, návrh a vyhodnocování kampaní na sociálních sítích a analýzu dat z webových i mobilních aplikací. Získáte zkušenosti s optimalizací obsahu z hlediska uživatelů, vyhledávačů a přístupnosti, se sledováním konverzních cílů a s využitím metod umělé inteligence pro analýzu a personalizaci obsahu. Předmět vám umožní navrhovat konkrétní opatření pro zlepšení digitálních produktů nebo online komunikace a ověřovat jejich přínos na základě dat.

Na předmětu se potkáte s jeho garantem Stanislavem Vojířem a dále také s Antonínem Pavlíčkem z Katedry systémové analýzy.

Předmět Kognitivní věda vám poskytne úvod do studia lidské mysli z interdisciplinárního pohledu, který propojuje neurovědu, kognitivní psychologii, umělou inteligenci a filosofii mysli. Seznámíte se s tím, jak funguje lidské vnímání, paměť, myšlení, jazyk a inteligence, a získáte přehled o nejnovějších poznatcích o mozku a jeho činnosti. Naučíte se rozpoznávat a vysvětlovat různé formy kognitivních zkreslení a heuristik, které ovlivňují lidské rozhodování a racionalitu, a pochopíte jejich význam v každodenním i profesním kontextu.

V průběhu kurzu si osvojíte základní znalosti o struktuře a fungování mozku, včetně role jednotlivých oblastí a neuronových procesů, a porozumíte biologickým i kognitivním základům vnímání, paměti, spánku a jazyka. Zároveň se seznámíte s hlavními teoriemi inteligence a usuzování a s principy umělé inteligence, které jsou interpretovány ve vztahu k lidskému poznání. Předmět vám poskytne teoretický rámec, jenž vám umožní lépe chápat vztah mezi lidskou a umělou inteligencí a kriticky nahlížet na současné přístupy v oblasti AI.

Garantem předmětu je Miroslav Vacura.

Předmět Umělé neuronové sítě a hluboké učení vám poskytne pevné teoretické základy i praktické dovednosti v oblasti neuronových sítí a jejich využití při zpracování obrazových a textových dat. Seznámíte se se základními principy fungování umělých neuronových sítí, jejich vztahem k biologickým neuronovým sítím a s klíčovými pojmy, jako jsou učení, aktivační a ztrátové funkce, kapacita modelu, regularizace či generalizace. Naučíte se rozumět tomu, jak a proč neuronové sítě fungují a jaké faktory ovlivňují jejich chování a výkon.

V praktické části si vyzkoušíte návrh, trénování a použití hlubokých neuronových sítí v programovacím jazyce Python. Naučíte se pracovat s konvolučními neuronovými sítěmi pro obrazová data, s rekurentními sítěmi a transformery pro textová data a seznámíte se s principy přeneseného učení, obohacování dat a generativních modelů. Předmět vám umožní aplikovat moderní přístupy hlubokého učení na reálné úlohy a lépe porozumět jejich možnostem i omezením v praxi.

Předmět je za 6 kreditů, garantem je Ondřej Zamazal.

Předmět Data mining – praktické aplikace vám poskytne přehled reálných úloh, se kterými se data mining setkává v praxi, a ukáže vám, jak jsou tyto úlohy typicky řešeny v rámci celého data miningového projektu. Seznámíte se s jednotlivými fázemi projektu, jejich návazností a typickými problémy, které při práci s reálnými daty vznikají. Předmět propojuje základní teoretické principy statistiky, strojového učení a umělé inteligence s jejich praktickým využitím při řešení konkrétních analytických problémů.

V průběhu předmětu se naučíte rozpoznávat typické data miningové úlohy, volit vhodné algoritmy a chápat jejich přínosy i omezení v reálných aplikacích. Získáte přehled o algoritmech, které se v praxi nejčastěji používají, a o tom, v jakých situacích dávají smysl. Předmět vám pomůže porozumět tomu, jak převádět teoretické znalosti do funkčních analytických řešení a jak realisticky hodnotit možnosti a limity data miningu při práci s daty.

Předmět je za 3 kredity, garantem je Jan Rauch.

Předmět **Základy neurověd** vám poskytne úvod do neurofyziologie a neuropsychologie se zaměřením na oblasti důležité pro porozumění kognitivním procesům. Seznámíte se se vztahem mezi strukturou a funkcí mozku, principy přenosu nervových signálů a fungováním základních neuronálních mechanismů. Důraz je kladen na témata související s emocemi, plánováním, rozhodováním, učením a pamětí, která jsou klíčová i pro oblasti umělé inteligence, neuroinformatiky a kognitivní vědy.

V průběhu předmětu si osvojíte schopnost orientovat se v současné odborné literatuře a kriticky ji interpretovat. Naučíte se chápat mozkové procesy v širším kontextu, včetně jejich vazeb na chování, sociální interakce a ekonomické rozhodování. Předmět vám vytvoří teoretický základ pro další studium oblastí, jako je neuroinformatika, neuroekonomie nebo neuropolitika, a pomůže vám lépe porozumět biologickým principům, které inspirují moderní přístupy v oblasti AI a data science.

Předmět je za 3 kredity, garantem je Václav Řepa z Katedry informačních technologií.

Předmět Programování pro AI a data science vás naučí využívat jazyk Python jako hlavní nástroj pro analýzu dat, strojové učení a práci s moderními systémy umělé inteligence. Postupně si osvojíte práci s klíčovými knihovnami pro data science, zejména pandas, a naučíte se data efektivně načítat, čistit, analyzovat a vizualizovat. Získáte přehled o nejpoužívanějších frameworkech pro strojové učení, jako jsou scikit-learn, Keras a TensorFlow, a pochopíte jejich roli v celém analytickém workflow.

V průběhu předmětu si prakticky vyzkoušíte tvorbu, ladění a vyhodnocování modelů strojového učení, včetně interpretace výsledků a principů vysvětlitelného strojového učení. Seznámíte se také s možnostmi integrace velkých jazykových modelů do analytických úloh, například prostřednictvím nástrojů LangChain nebo ekosystému Hugging Face. Součástí výuky je práce s reálnými daty v rámci případové studie a přehled dalších nástrojů a prostředí používaných v oblasti data science, což Vám umožní lépe se orientovat v současné praxi a technologiích používaných v AI projektech.

Předmět je za 6 kreditů, garantem je Tomáš Kliegr.

Jde o jeden z předmětů specializace Vývoj software a technologie umělé inteligence.

Předmět Dynamické modely (v angličtině) vám poskytne hlubší porozumění stochastickým procesům a jejich využití při modelování časových řad a dynamických jevů, zejména v oblasti ekonomických a finančních dat. Seznámíte se s teoretickými základy dynamických regresních modelů a modelů časových řad a naučíte se rozpoznat jejich vhodnost pro různé typy dat, včetně nestacionárních procesů, sezónnosti a strukturálních změn. Důraz je kladen na schopnost interpretovat modely a pracovat s nejistotou, která je pro reálné aplikace typická.

V praktické části si vyzkoušíte formulaci, odhad a numerické vyhodnocování dynamických modelů v prostředích R a Python. Naučíte se provádět predikce časových řad, hodnotit jejich kvalitu a analyzovat rizika, včetně modelování volatility, extrémních událostí a vysokofrekvenčních dat. Předmět vám poskytne nástroje pro práci s komplexními dynamickými daty a připraví vás na aplikaci pokročilých statistických metod v oblasti data science, ekonometrie a finanční analýzy.

Předmět je za 6 kreditů, garantem je Vladimír Holý z Katedry ekonometrie.

Jde o jeden z předmětů specializace Data science a strojové učení
.