Vysvětlí základní pojmy a principy fungování umělé inteligence a strojového učení.
Na konkrétním příkladu popíše, jak strojové učení probíhá a co ovlivňuje kvalitu modelu.
Rozpozná základní typy úloh strojového učení (klasifikace, regrese, shlukování) a uvede k nim příklady.
Vysvětlí, jak může zkreslení v trénovacích datech ovlivnit chování modelu a proč je důležité ho rozpoznat.
Popíše vybrané metody AI (např. prohledávání stavového prostoru, optimalizace) a jejich využití při řešení problémů.
Rozliší mezi realistickými možnostmi a přehnanými očekáváními od AI, uvede příklady z praxe a fikce.
Související RVP výsledky učení
Umělá inteligence: princip strojového učení; aplikace umělé inteligence; limity, přínosy a rizika umělé inteligence.
Tento modul nabízí úvod do klíčových principů umělé inteligence a strojového učení s důrazem na porozumění základním pojmům, typickým úlohám a způsobu, jakým se modely učí ze vstupních dat. Nezabývá se do hloubky konkrétními technologiemi, které se rychle vyvíjejí, ale soustředí se na stabilní a nadčasové myšlenky – od prohledávání a optimalizace až po principy generalizace a zkreslení v trénovacích datech. Téma je zasazeno do kontextu reálného světa, s důrazem na kritické myšlení, reflexi možností a omezení AI a její dopad na společnost.
Prosíme, nezasílejte dotazy na prozrazení řešení úloh či vysvětlení postupu. Pokud hlásíte chybu, upřesněte prosím, v čem přesně spočívá a připojte snímek obrazovky.