1.1. Definice AI

• Schopnost stroje nebo systému napodobovat a provádět úkoly, které obvykle vyžadují lidskou inteligenci
• Schopnost stroje učit se, adaptovat se a řešit problémy

1.2. Slabá AI vs. silná AI

• Slabá AI: Systémy navržené k provádění konkrétních úkolů nebo aplikací, bez vědomí nebo sebepojetí
• Silná AI: Systémy schopné provádět jakýkoli intelektuální úkol, který by člověk mohl provést, s vědomím a sebepojetím

1.3. Symbolická AI vs. konekcionismus

• Symbolická AI: Přístup k umělé inteligenci založený na logice a manipulaci s symboly
• Konekcionismus: Přístup k umělé inteligenci založený na paralelním zpracování informací a umělých neuronových sítích

1.4. Obecná umělá inteligence (AGI)

• Stroje schopné provádět širokou škálu úkolů, které vyžadují lidskou inteligenci, bez omezení na jednu konkrétní doménu
• AGI má potenciál dosáhnout úrovně schopností srovnatelných s lidskou inteligencí

1.5. Umělá superinteligence (ASI)

• Hypotetický stupeň umělé inteligence, kde stroje mají schopnosti dalece překračující lidskou inteligenci
• ASI by měla mít schopnost dosáhnout výjimečné úrovně schopností v různých doménách, včetně kreativity, emocionálního porozumění a vědeckého bádání
  
  

2.1. Rané teorie a experimenty

• Teorie formálních algoritmů (Alan Turing a Turingův stroj)
• První počítačové programy pro hraní šachu a matematické úlohy
• Dartmouthská konference (1956) – zrození umělé inteligence jako akademické disciplíny

2.2. První vlna AI výzkumu (1956–1974)

• První AI programy: Samuel’s Checkers, General Problem Solver, SHRDLU
• Rozvoj vyhledávacích algoritmů, logického programování a expertních systémů
• Financování AI výzkumu ze strany vlád a průmyslu

2.3. AI zimy (1974–1980, 1987–1993)

• Snížené financování a zájem o AI výzkum
• Kritika omezení AI: neschopnost řešit složité a neurčité problémy
• Nedostatek výpočetního výkonu a hardwarových zdrojů

2.4. Oživení AI (1980–1987)

• Expertní systémy a jejich komerční úspěch
• Vývoj strojového učení a zpětnovazebního učení
• Vývoj nových architektur a algoritmů, jako jsou neuronové sítě a genetické algoritmy

2.5. Druhá vlna AI výzkumu (1993–2010)

• Nárůst výpočetního výkonu a dostupnosti dat
• Rozvoj statistických metod v AI a strojovém učení
• Zlepšení výkonu AI systémů v rozpoznávání obrazu, zpracování přirozeného jazyka a hrách (IBM Deep Blue)

2.6. Současný výzkum a trendy (2010–současnost)

• Hluboké učení a jeho úspěchy v různých oblastech, jako je rozpoznávání obrazu a zpracování přirozeného jazyka (ImageNet, AlphaGo, GPT-3)
• Rozvoj autonomních systémů a robotiky
• Diskuze o etice, regulaci a společenském dopadu AI
  
  

3.1. Nadzorované učení

• Učení na základě označených tréninkových dat (vstupy s odpovídajícími výstupy)
• Regrese (předpověď spojité hodnoty) a klasifikace (předpověď diskrétní třídy)
• Algoritmy: lineární regrese, logistická regrese, k-nejbližších sousedů, rozhodovací stromy, náhodné lesy, podpůrné vektorové stroje (SVM)

3.2. Nenadzorované učení

• Učení bez označených tréninkových dat (nalezení struktury a vzorů v datech)
• Klasterizace (seskupování podobných objektů) a redukce dimenzionality (snížení počtu proměnných)
• Algoritmy: k-středů, směsi Gaussových modelů, hierarchická klasterizace, hlavní složková analýza (PCA), t-SNE

3.3. Zpětnovazební učení (reinforcement learning)

• Učení na základě interakce s prostředím, kde agent se snaží maximalizovat kumulativní odměnu
• Stav, akce, přechody a odměny tvoří základní koncepty zpětnovazebního učení
• Algoritmy: Q-learning, SARSA, Deep Q-Networks (DQN), Proximal Policy Optimization (PPO), Actor-Critic methods

3.4. Metody optimalizace

• Optimalizační techniky pro nalezení nejlepšího řešení v rámci strojového učení
• Gradientní sestup, stochastický gradientní sestup, Adam, RMSprop

3.5. Regularizace a přizpůsobení modelu

• Techniky pro zabránění přeučení modelu a zvýšení jeho generalizace na nová data
• L1 a L2 regularizace, dropout, early stopping, cross-validation

3.6. Evaluace modelu

• Metriky a postupy pro měření účinnosti modelu strojového učení
• Chybová míra, přesnost, F1 skóre, ROC křivka, střední absolutní chyba, střední kvadratická chyba, R^2
  
  

4.1. Umělé neuronové sítě (ANN)

• Biologicky inspirované výpočetní modely skládající se z vrstev propojených neuronů
• Přenos informací pomocí vážených hran a aktivačních funkcí
• Backpropagation algoritmus pro učení váh a zkreslení v síti

4.2. Konvoluční neuronové sítě (CNN)

• Speciální typ neuronových sítí navržený pro zpracování obrazu a rozpoznávání vzorů
• Konvoluční vrstvy pro detekci lokálních rysů a snížení prostorových rozměrů
• Max-pooling vrstvy pro zmenšení prostorových rozměrů a extrakci důležitých informací

4.3. Rekurentní neuronové sítě (RNN)

• Neuronové sítě schopné zpracovávat sekvence dat s časovou nebo prostorovou závislostí
• Zpětnovazební spoje umožňují RNN udržovat informace z předchozích kroků
• LSTM (Long Short-Term Memory) a GRU (Gated Recurrent Unit) pro řešení problému mizení gradientu

4.4. Generativní konkurenční sítě (GAN)

• Dvě konkurenční sítě, generátor a diskriminátor, které se vzájemně učí
• Generátor vytváří realistické umělé vzory, zatímco diskriminátor se učí rozlišovat mezi skutečnými a umělými vzory
• Použití v generování umělých obrázků, stylizaci obrázků, zlepšování rozlišení a dalších úlohách

4.5. Transfer learning (přenos učení)

• Použití předtrénovaných modelů pro extrakci rysů nebo jako základ pro nový model
• Umožňuje rychlejší a efektivnější učení s menšími tréninkovými daty
• Běžně používán v kombinaci s CNN pro úkoly související s obrazem

4.6. Autoenkodéry

• Neuronové sítě používané pro učení kompaktních reprezentací dat bez učitele
• Složené z enkodéru, který převádí vstupní data na nižší-dimenzionální reprezentaci, a dekodéru, který rekonstrukci dat z nižší-dimenzionální reprezentace

4.7. Capsule Networks (CapsNets)

• Alternativa k konvolučním neuronovým sítím, která se pokouší zachytit hierarchickou strukturu a geometrii objektů v obraze
• Složené z „kapsulí“, které zpracovávají informace o přítomnosti i poloze jednotlivých prvků v obraze
• Robustní proti změnám pozice a orientace objektů, s menší náchylností k přeučení

4.8. Transformers

• Modely založené na sebevazbě a mechanismu pozornosti pro efektivní zpracování sekvencí dat
• Široce používány v úlohách zpracování přirozeného jazyka, jako je strojový překlad, generování textu a analýza sentimentu
• Příklady: BERT (Bidirectional Encoder Representations from Transformers), GPT (Generative Pre-trained Transformer) a T5 (Text-to-Text Transfer Transformer)

4.9. Hardwarové akcelerátory

• GPU (grafické procesory) pro urychlení tréninku a inferenci hlubokých neuronových sítí
• TPU (Tensor Processing Units) a další specializované čipy pro urychlení operací s maticemi a tensory

4.10. Výzvy a omezení hlubokého učení

• Vysoká náročnost na výpočetní zdroje a velká množství tréninkových dat
• Nedostatek interpretability a vysvětlitelnosti modelů
• Problémy s etikou, zkreslením a zneužitím technologií
  
  

5.1. Reprezentace znalostí

• Použití logických formalismů a symbolických reprezentací pro modelování znalostí
• Ontologie a taxonomie pro strukturování a organizaci konceptů a vztahů
• Rámce pro reprezentaci času, prostoru a nejistoty

5.2. Logické programování

• Programovací paradigma založené na formalizaci znalostí a dedukci
• Prolog a další logické programovací jazyky
• Rezoluční algoritmy pro automatickou dedukci a zpracování dotazů

5.3. Expertní systémy

• Aplikace, které používají symbolické AI pro řešení složitých úkolů v omezeném doméně
• Báze znalostí obsahující pravidla a fakta o doméně
• Inference engine pro vyvozování nových informací a řešení problémů na základě báze znalostí

5.4. Plánování a rozhodování

• Algoritmy pro generování plánů a strategií k dosažení cíle na základě znalostí o prostředí
• Partial-order planning, state-space planning, hierarchical task networks (HTN)
• Markovská rozhodovací procesy (MDP) a stochastické plánování pro modelování nejistoty

5.5. Zpracování přirozeného jazyka (NLP)

• Analyzátory, generátory a gramatiky pro symbolické zpracování textu a jazykových struktur
• Sémantické sítě a znalostní grafy pro reprezentaci a analýzu významu textu
• Různé NLP úlohy, jako je rozpoznávání entit, extrakce informací, anotace textu a strojový překlad

5.6. Obecná umělá inteligence (AGI)

• Pokusy o vytvoření symbolických AI systémů schopných vykonávat širokou škálu úkolů na úrovni lidské inteligence
• Integrace různých AI technik, jako jsou strojové učení, symbolická AI a robotika
• Výzvy a omezení při dosažení AGI, jako je nedostatek škálovatelnosti, adaptability a autonomie
  
  

6.1. Mechanika a konstrukce robotů

• Různé druhy robotů: manipulátory, mobilní roboty, humanoidní roboty, drony, softwaroví roboti
• Aktuátory a senzory pro pohyb, vnímání a interakci s prostředím
• Kinematika a dynamika robotů pro modelování pohybu a síly

6.2. Řízení robotů

• Algoritmy pro plánování trajektorií, stabilizaci, a kontrolu pohybu
• Zpětnovazební smyčky a modely pro řízení pohybu a polohy
• Adaptivní a robustní řízení pro autonomní chování a odolnost vůči nejistotám

6.3. Percepce a zpracování sensorických dat

• Zpracování dat z různých senzorů, jako jsou kamery, LiDAR, ultrazvukové senzory, IMU
• Algoritmy pro zpracování obrazu, zvuku a dalších sensorických dat
• Fúze senzorických dat pro zlepšení odhadu stavu a mapování prostředí

6.4. SLAM (Simultaneous Localization and Mapping)

• Algoritmy pro simultánní odhad polohy robota a konstrukci mapy prostředí
• Metody založené na Kalmanových filtrech, částicových filtrech a grafickém optimalizaci
• 3D rekonstrukce prostředí a rozšířená realita v robotice

6.5. Plánování a navigace

• Algoritmy pro plánování cest, vyhýbání se překážkám a optimalizaci pohybu
• Globální a lokální plánování, potenciální pole, RRT, A* a Dijkstra
• Kooperativní plánování a řízení pro skupiny robotů

6.6. Interakce s lidmi a sociální robotika

• Metody pro rozpoznávání a reagování na lidské emoce, gesta a řeč
• Algoritmy pro spolupráci mezi roboty a lidmi
• Etické a bezpečnostní otázky při nasazení robotů ve společnosti

6.7. Umělá inteligence v robotice

• Integrace strojového učení, hlubokého učení a symbolické AI do robotických systémů
• Reinforcement learning pro řízení, adaptaci a autonomii robotů
• Průmyslová a servisní robotika s použitím AI technologií
  
  

7.1. Morfologická a syntaktická analýza

• Tokenizace, stemming a lemmatizace pro zpracování slov a slovních tvarů
• PoS (Part-of-Speech) tagging a chunking pro rozpoznávání slovních druhů a skupin
• Parsing a gramatiky pro analýzu syntaxe vět

7.2. Sémantická analýza

• Metody pro extrakci významu ze slov, frází a vět
• Vytváření znalostních grafů a sémantických sítí
• Word embeddings, jako jsou Word2Vec a GloVe, pro reprezentaci slov ve vektorovém prostoru

7.3. Pragmatika a analýza kontextu

• Rozpoznávání anafory a ko-reference pro sledování kontextu a entit v textu
• Rozpoznávání ironie, sarkasmu a jiných jazykových jevů závislých na kontextu
• Modelování a analýza konverzace, dialogu a diskurzu

7.4. Sentimentová analýza

• Detekce emocí, názorů a postoje vyjádřených v textu
• Algoritmy založené na lexikonech, strojovém učení a hlubokém učení
• Aplikace v oblasti marketingu, sociálních médií a analýze spotřebitelského chování

7.5. Strojový překlad

• Automatický překlad textu mezi různými jazyky
• Tradiční přístupy, jako jsou statistický strojový překlad (SMT) a založený na pravidlech
• Neuronové strojové překladové systémy (NMT), jako jsou Transformer a BERT

7.6. Rozpoznávání a generování řeči

• Algoritmy pro převod mluvené řeči na text (ASR) a textu na mluvenou řeč (TTS)
• Hluboké učení a rekurentní neuronové sítě pro modelování časové sekvence zvukových signálů
• Prozodické a emoční aspekty řeči

7.7. Otázka-odpověď a dialogové systémy

• Algoritmy pro porozumění otázkám a generování odpovědí na základě znalostí nebo textových korpusů
• Chatboty a virtuální asistenti, jako jsou Siri, Alexa a Google Assistant
• Generativní modely a techniky pro řízení konverzace a kontextuální porozumění

7.8. Sumarizace a extrakce informací

• Algoritmy pro automatické generování abstraktů a výcuců z textu
• Extrakce klíčových slov, frází a entit z textových dokumentů
• Techniky založené na strojovém učení, hlubokém učení a grafických modelech

7.9. Detekce jazyka a rozpoznávání jmenných entit (NER)

• Algoritmy pro automatické rozpoznání jazyka v textu
• Rozpoznávání a klasifikace jmenných entit, jako jsou osoby, organizace, místa a časové údaje
• Využití strojového učení, CRF (Conditional Random Fields) a hlubokého učení pro NER úlohy
  
  

8.1. Bias a diskriminace

• Zkreslení a předsudky v datech, modelech a aplikacích AI
• Diskriminační a neetické dopady AI systémů na základě rasy, pohlaví, socioekonomického statusu atd.
• Metody pro identifikaci a snižování biasu v AI modelech

8.2. Soukromí a ochrana dat

• Etické otázky související se shromažďováním, ukládáním a zpracováním osobních údajů
• GDPR a další právní předpisy pro ochranu soukromí a dat
• Techniky pro anonymizaci dat, federované učení a ochranu soukromí při AI výzkumu

8.3. Práce a ztráta pracovních míst

• Dopad AI na pracovní trh, automatizaci a ztrátu pracovních míst
• Přechod na nové dovednosti a přeškolení pracovníků v důsledku automatizace
• Politiky a sociální opatření pro řešení změn na pracovním trhu

8.4. Bezpečnost a zneužití AI

• Potenciální rizika spojená s nasazením AI v oblastech jako jsou vojenství, kybernetická bezpečnost a sociální média
• Zneužití AI pro šíření dezinformací, deepfake a manipulaci veřejného mínění
• Spolupráce mezi státy a institucemi na regulaci AI a zajištění bezpečnosti

8.5. Transparentnost a odpovědnost

• Vyžadování průhlednosti a interpretovatelnosti AI systémů pro zajištění spravedlnosti a důvěry
• Zodpovědnost a odpovědnost za rozhodnutí AI, včetně právních a etických aspektů
• Audity a kontrola AI systémů veřejnými a soukromými organizacemi

8.6. Autonomní zbraně a vojenské aplikace

• Etické otázky související s vývojem a nasazením autonomních zbraní a vojenských AI systémů
• Debata o mezinárodním zákazu „zabijáckých robotů“ a regulaci vojenského využití AI
• Humanitární, bezpečnostní a geopolitické důsledky AI ve vojenství

8.7. Umělá morální agentura a etick é rozhodování

• Koncept umělé morální agentury a schopnosti AI systémů činit etická rozhodnutí
• Navrhování a implementace etických principů a rámců pro rozhodování AI, jako je utilitarismus, deontologie a virtue etika
• Výzvy při vyvážení různých hodnot a etických imperativů při rozhodování AI

8.8. Dopad AI na společnost a kulturu

• Vliv AI na komunikaci, mezilidské vztahy, kreativitu a kulturu
• Dopad AI na nerovnost, sociální mobilitu a globální rozvoj
• Role AI ve vzdělávání, zdravotnictví, dopravě a dalších oblastech společenského života

8.9. Regulace a politika AI

• Přístupy k regulaci AI na národní a mezinárodní úrovni
• Spolupráce mezi veřejným a soukromým sektorem, výzkumnými institucemi a občanskou společností při formulování politik AI
• Diskuse o zákonech a směrnicích týkajících se AI, jako jsou autorská práva, zodpovědnost a etika výzkumu

8.10. Budoucnost AI a superinteligence

• Filozofické a technické debaty o možnosti dosažení superinteligence a jejích důsledcích
• Scénáře a strategie pro řízení rizik spojených s vývojem superinteligentních AI systémů
• Dlouhodobé důsledky AI na lidskou civilizaci, příležitosti a výzvy pro společnost