Děkujeme za vaše hodnocení.

Umělá inteligence a strojové učení

umime.to/NGW

Umělá inteligence (zkráceně AI z anglického Artificial Intelligence) je oblast informatiky zabývající se tvorbou programů pro řešení složitých problémů – problémů, které by obvykle vyžadovaly lidskou inteligenci. Součástí umělé inteligence je strojové učení, to využívá takové programy, které se učí z dat.

Téma umělé inteligence a strojového učení je v rozčleněno do pěti podtémat:

Základy umělé inteligence – co je umělá inteligence, co umí a co ne, co je realita a co fikce
Aplikace umělé inteligence – zpracování přirozeného jazyka, robotika, počítačové vidění
Metody umělé inteligence – prohledávání stavového prostoru, splňování podmínek, optimalizace
Základy strojového učení – princip, postup a rizika strojového učení
Metody strojového učení – lineární regrese, rozhodovací stromy, neuronové sítě, využití pravděpodobnosti

Rozhodovačka

Rychlé procvičování výběrem ze dvou možností.

Umělá inteligence a strojové učení

Základy umělé inteligence

Úvod do umělé inteligence

Vymezení umělé inteligence

Využití a schopnosti umělé inteligence

Umělá inteligence: realita a fikce

Historie umělé inteligence

Umělá inteligence: pojmy

Společenské dopady umělé inteligence

Základy umělé inteligence: mix

Aplikace umělé inteligence

Zpracování přirozeného jazyka

Robotika

Počítačové vidění

Aplikace umělé inteligence: mix

Metody umělé inteligence

Úlohy a metody umělé inteligence

Prohledávání stavového prostoru

Splňování podmínek

Optimalizace

Princip strojového učení

Metody umělé inteligence: mix

Základy strojového učení

Princip strojového učení

Úlohy strojového učení

Postup strojového učení

Vyhodnocení strojového učení

Zkreslení strojového učení

Strojové učení: pojmy

Základy strojového učení: mix

Metody strojového učení

Lineární regrese

Rozhodovací stromy

Neuronové sítě

Pravděpodobnost ve strojovém učení

Metody strojového učení: mix

Umělá inteligence: pojmy

Rozhodovačka • těžké

Přesouvání

Přesouvání kartiček na správné místo. Jednoduché ovládání, zajímavé a neotřelé úlohy.

Umělá inteligence a strojové učení

Základy umělé inteligence

Úvod do umělé inteligence

Základy strojového učení

Učení z příkladů

Průzkum vesmíru: učení z příkladů

Postup strojového učení

Vyhodnocení strojového učení

Metody strojového učení

Lineární regrese

Úvod do umělé inteligence

Přesouvání • střední

Označování

V zadaném obrázku či textu máte za úkol označit všechny oblasti, které splňují určitou vlastnost.

Umělá inteligence a strojové učení

Základy umělé inteligence

Vymezení umělé inteligence

Základy strojového učení

Učení z příkladů

Označování • střední

Pexeso

Hledání dvojic, které k sobě patří.

Umělá inteligence a strojové učení

Základy umělé inteligence

Využití a schopnosti umělé inteligence

Umělá inteligence: realita a fikce

Historie umělé inteligence

Umělá inteligence: pojmy

Základy strojového učení

Úlohy strojového učení

Vyhodnocení strojového učení

Strojové učení: pojmy

Překlady pojmů

Strojové učení: pojmy

Pexeso • těžké

Krok po kroku

Doplňování jednotlivých kroků v rozsáhlejším postupu.

Umělá inteligence a strojové učení

Metody umělé inteligence

Princip strojového učení

Základy strojového učení

Princip strojového učení

Postup strojového učení

Vyhodnocení strojového učení

Zkreslení strojového učení

Metody strojového učení

Pravděpodobnost ve strojovém učení

Krok po kroku • těžké

Porozumění

Čtení textů, odpovídání na otázky testující porozumění textu.

Etické aspekty umělé inteligence

Fatal error: Uncaught TypeError: count(): Argument #1 ($value) must be of type Countable|array, null given in /var/www/umimeprogramovat.cz/webroot/function/functionsMap.php:1638 Stack trace: #0 /var/www/umimeprogramovat.cz/webroot/dashboard-topic.php(976): generateItemLogExerciseMap() #1 /var/www/umimeprogramovat.cz/webroot/index.php(193): include('...') #2 {main} thrown in /var/www/umimeprogramovat.cz/webroot/function/functionsMap.php on line 1638

Filtr podle ročníku

Cvičení

Umělá inteligence a strojové učení

umime.to/NGW

Rozhodovačka

Umělá inteligence: pojmy

Přesouvání

Úvod do umělé inteligence

Označování

Učení z příkladů

Pexeso

Strojové učení: pojmy

Krok po kroku

Pravděpodobnost ve strojovém učení

Porozumění

Etické aspekty umělé inteligence

Filtr podle ročníku

Cvičení

Umělá inteligence a strojové učení

umime.to/NGW

Rozhodovačka

Úvod do umělé inteligence (lehké) • NZW

Úvod do umělé inteligence (střední) • NZX

Úvod do umělé inteligence (těžké) • NZZ

Vymezení umělé inteligence (lehké) • NXV

Vymezení umělé inteligence (střední) • NFX

Vymezení umělé inteligence (těžké) • NGN

Využití a schopnosti umělé inteligence (lehké) • NXZ

Využití a schopnosti umělé inteligence (střední) • NFZ

Využití a schopnosti umělé inteligence (těžké) • M4W

Umělá inteligence: realita a fikce (lehké) • NX3

Umělá inteligence: realita a fikce (střední) • NF2

Umělá inteligence: realita a fikce (těžké) • M4X

Historie umělé inteligence (lehké) • NX7

Historie umělé inteligence (střední) • NF1

Historie umělé inteligence (těžké) • M4U

Umělá inteligence: pojmy (lehké) • NZM

Umělá inteligence: pojmy (střední) • NF3

Umělá inteligence: pojmy (těžké) • M4V

Společenské dopady umělé inteligence (střední) • NZ3

Základy umělé inteligence: mix (střední) • NF4

Základy umělé inteligence: mix (těžké) • M4Z

Zpracování přirozeného jazyka (střední) • NEP

Zpracování přirozeného jazyka (těžké) • NER

Robotika (střední) • NEU

Robotika (těžké) • NEV

Počítačové vidění (střední) • NE1

Aplikace umělé inteligence: mix (střední) • NGR

Úlohy a metody umělé inteligence (střední) • NFV

Úlohy a metody umělé inteligence (těžké) • NFW

Prohledávání stavového prostoru (lehké) • NFP

Prohledávání stavového prostoru (střední) • NFR

Prohledávání stavového prostoru (těžké) • NFS

Splňování podmínek (lehké) • NGB

Splňování podmínek (střední) • NGC

Splňování podmínek (těžké) • NGD

Optimalizace (lehké) • NGH

Optimalizace (střední) • NGE

Optimalizace (těžké) • NGF

Princip strojového učení (střední) • NC2

Princip strojového učení (těžké) • NDM

Metody umělé inteligence: mix (lehké) • NGS

Metody umělé inteligence: mix (střední) • NGT

Metody umělé inteligence: mix (těžké) • NGU

Princip strojového učení (střední) • NC2

Princip strojového učení (těžké) • NDM

Úlohy strojového učení (střední) • NDH

Úlohy strojového učení (těžké) • NDT

Postup strojového učení (střední) • NDJ

Postup strojového učení (těžké) • NDU

Vyhodnocení strojového učení (střední) • NDK

Vyhodnocení strojového učení (těžké) • NDV

Zkreslení strojového učení (střední) • NDL

Strojové učení: pojmy (střední) • NEE

Strojové učení: pojmy (těžké) • NEC

Základy strojového učení: mix (střední) • NF6

Základy strojového učení: mix (těžké) • NF7

Lineární regrese (lehké) • NFG

Lineární regrese (střední) • NFH

Lineární regrese (těžké) • NFJ

Rozhodovací stromy (lehké) • NFK

Rozhodovací stromy (střední) • NFL

Rozhodovací stromy (těžké) • NFM

Neuronové sítě (lehké) • NGJ

Neuronové sítě (střední) • NGK

Neuronové sítě (těžké) • NGL

Pravděpodobnost ve strojovém učení (střední) • NE4

Pravděpodobnost ve strojovém učení (těžké) • NE6

Metody strojového učení: mix (lehké) • NGV

Metody strojového učení: mix (střední) • NG3

Metody strojového učení: mix (těžké) • NG4

Umělá inteligence: pojmy

Přesouvání

Úvod do umělé inteligence (střední) • N1A

Průzkum vesmíru: učení z příkladů (střední) • N1O

Postup strojového učení (střední) • NC4