Školení Umělá inteligence pro středoškolské učitele

Prerekvizity

• Základní znalost programování v Pythonu

Co si účastník odnese
Týdenní intenzivní kurz je určen pro všechny středoškolské učitele, kteří by rádi zařadili umělou inteligenci do výuky informatiky, ale nemají potřebné znalosti a zkušenosti. V kurzu projdeme úplnými základy umělé inteligence a strojového učení a dostaneme se až k návrhu umělých neuronových sítí v Pythonu. Výukové materiály a obsah školení jsou postaveny tak, aby je bylo možné převzít a použít přímo ve výuce na střední škole buď formou samostatného předmětu nebo jako doplnění existující výuky informatiky.

[Kód kurzu: AM1412]

5denní kurz | 9:00 - 17:30

Jazyk: Česky
Úroveň: beginner

Osnova školení:

1. Kapitola 1: Úvod do umělé inteligence
   
   • co je a co není umělá inteligence
   • slabá a silná umělá inlitegence
   • úlohy umělé inteligence (strojové učení, prohledávání prostoru, optimalizace, plánování, strojové vnímání, zpracování přirozeného jazyka)
   • příklady aplikací umělé inteligence v jednotlivých oblastech
   • historie a milníky umělé inteligence
2. Kapitola 2: Data a informace
   
   • rozdíl mezi daty a informacemi
   • data sety a jejich vznik
   • strukturovaná vs. nestrukturovaná data
   • co jsou big data a jak s nimi zacházet
   • intuice vs. fakta
   • příklady selhání intuice
   • praktické příklady rozhodování na základě dat
   • základy popisné statistiky
   • vizualizace dat
   • reprezentativnost dat
   • změny podmínek
   • bias v datech
   • osobní data a GDPR
3. Kapitola 3: Úvod do strojového učení a jeho aplikací
   
   • co je učení a čím je specifické strojové učení
   • generalizace vs. memorování
   • proces strojového učení
   • strojové učení s učitelem a bez učitele
   • klasifikace
   • regrese
   • shlukování
   • zpětnovazební učení
   • vybrané aplikace ze zpracování obrazu, zpracování přirozeného jazyka, doporučování a hraní her
4. Kapitola 4: Filosofie umělé inteligence
   
   • turingův test a argument čínského pokoje
   • exponenciální růst
   • bezpečnost a férovost metod umělé inteligence
   • společenský dopad umělé inteligence (seberou nám stroje práci?)
   • etické otázky v umělé inteligenci
5. Kapitola 5: Základy datové analýzy v jazyce Python
   
   • základy a syntax jazyka Python 3.x (základní datové struktury, cykly, podmínky, základy OOP, serializace)
   • vektory, matice a práce s nimi v knihovně NumPy
   • seznámení s Jupyter notebooky v prostředí Google Colab
   • načítání dat a jednoduchá manipulace s nimi v knihovně Pandas
   • praktické příklady na jednoduchou manipulaci s daty a vyvozování závěrů z nich
6. Kapitola 6: Regrese
   
   • opakování definice regrese a jejího použití
   • proces regresní analýzy od přípravy dat až po trénování, predikci a validaci
   • matematické základy – vektor, vektorový prostor, nadrovina, geometrická interpretace derivace
   • datové struktury – grafy a stromy
   • lineární regese
   • rozhodovací stromy pro regresi
   • praktická cvičení v knihovně ScikitLearn
7. Kapitola 7: Klasifikace
   
   • opakování definice klasifikace a jejího použití
   • proces klasifikace od přípravy dat až po trénování, predikci a validaci
   • matematické základy – logaritmy
   • logistická regrese
   • křížová entropie
   • rozhodovací stromy pro klasifikaci
   • praktická cvičení v knihovně ScikitLearn
8. Kapitola 8: Umělé neuronové sítě
   
   • perceptron a jeho vztah k lineární a logistické regresi
   • opakování maticového počtu
   • nejběžnější aktivační funkce
   • chybové funkce v neuronových sítích
   • dopředné neuronové sítě
   • algoritmus zpětné propagace chyby (intuitivně)
   • klasifikace a regrese
   • konvoluční neuronové sítě
   • vizualizace neuronových sítí
   • základy knihovny Tensorflow/Keras pro implementaci neuronových sítí
   • praktická cvičení na řešení různých problémů z běžného života pomocí neuronových sítí
   • zpracování obrazu pomocí neuronových sítí

Možnosti ubytování a parkování