Line 33: Line 33:
 
'''Štátnicový predmet 2-AIN-951 Počítačová grafika a videnie'''
 
'''Štátnicový predmet 2-AIN-951 Počítačová grafika a videnie'''
  
# Kuželosečky, ich klasifikácia; závislosť klasifikácie od typu roviny; vyšetrovanie tvaru rovinnej krivky; priesečníky priamky s krivkou, dotyčnica, singulárne body, inflexné body; kubické krivky; weierstrassov normálny tvar; eliptické krivky a ich využitie.
+
# Kuželosečky, ich klasifikácia; závislosť klasifikácie od typu roviny; vyšetrovanie tvaru rovinnej krivky; priesečníky priamky s krivkou, dotyčnica, singulárne body, inflexné body; kubické krivky; weierstrassov normálny tvar; wliptické krivky a ich využitie.
 
# Pokročilé techniky predspracovania obrazu; techniky rozpoznávania objektov; porozumenie 3D obrazu; počítačové videnie s jednou kamerou; stereovidenie.
 
# Pokročilé techniky predspracovania obrazu; techniky rozpoznávania objektov; porozumenie 3D obrazu; počítačové videnie s jednou kamerou; stereovidenie.
 
# Referenčný model počítačovej grafiky, súradnicové systémy a ich transformacie, rozširenie modelu pre augmented reality; pracovna stanica a jej funkčnosť; kódovanie grafickej informacie, hierarchia obrazu a graf scény; fyzické a logické vstupné zariadenia, ISO model vstupu, vstupné režimy, programovanie interakcie; oknové systémy, ich struktúra a funkčnosť.
 
# Referenčný model počítačovej grafiky, súradnicové systémy a ich transformacie, rozširenie modelu pre augmented reality; pracovna stanica a jej funkčnosť; kódovanie grafickej informacie, hierarchia obrazu a graf scény; fyzické a logické vstupné zariadenia, ISO model vstupu, vstupné režimy, programovanie interakcie; oknové systémy, ich struktúra a funkčnosť.
Line 48: Line 48:
 
'''Štátnicový predmet 2-AIN-950 Umelá inteligencia'''
 
'''Štátnicový predmet 2-AIN-950 Umelá inteligencia'''
  
# Priama a spätná inferenciou v expertných systémoch; simulácia inferencie v systéme CLIPS; metóda rozkladu a skladu v CLIPS-e (Fibonacciho, kombinacne cisla, Hanojske veže, triedenia: quick | mergesort); produkčný systém v CLIPS-e na prehľadávanie stavového priestoru s nájdením  všetkých riešení (ofarbenie planárneho grafu, N-dám na šachovnici, problém misionárov a kanibalov); princíp stratifikácie na príklade hľadania optimálnych riešení (robot žeriav (bricks-world problem) alebo robot v gridovom bludisku).
+
# Bayesovské siete a bayesovské vyvodzovanie; klasická teória časových radov, trend, periodicita, náhodnosť; Box-Jenkinsove modely.
# Inšpirácia vzniku konekcionizmu, základné časti biologických neurónov a ich vlastnosti, vlastnosti konekcionistických modelov; jednoduchý perceptrón: binárny a spojitý perceptrón; viacvrstvové dopredné neurónové siete; lineárne neurónové siete – princíp modelov General Inverse a Correlation Matrix Memory; samoorganizácia: základné princípy, metódy PCA (principal component analysis), učenie so súťažením. model samoorganizujúcej sa mapy (SOM), vektorová kvantizácia, topografické zobrazenie príznakov, redukcia dimenzie, magnifikačný faktor; rekurentné neurónové siete - spôsoby inkorporovania času do NS, architektúry RNS, time-delay-neural-network, back-propagation-through-time a real-time-recurrent-learning; hopfieldov model - deterministická verzia typy atraktorov v stavovom priestore, typy dynamiky; stochastická verzia.
+
# Časové rady s náhodnosťou: filtračná, predikčná a vyhladzovacia úloha, markovovské modely, Kálmanov filter. Základné modely dynamických sietí.
# Bayesovske siete a bayesovske vyvodzovanie; klasická teória časových radov, trend, periodicita, náhodnosť; Box - Jenkinsove modely; časové rady s náhodnosťou: filtračná, predikčná a vyhladzovacia úloha; základy teorie dynamických sietí, vlastnosť malého sveta, Barabasi; Albertov model; základy teorie rozhodovania.
+
# Metódy strojového učenia. Strojové učenie s učiteľom, bez učiteľa, posilňovaním. (Generalizovaná) lineárna regresia. Klasifikácia pomocou SVM. Rozhodovacie stromy. Markovovské rozhodovacie procesy. Bagging a boosting.
# Reprezentácia znalostí prostriedkami logického programovania. Definitné, normálne, rozšírené logické programy. Herbrandovská interpretácia, herbrandovský model, T_P-operátor, najmenší model. Negácia ako konečné zlyhanie (defaultová negácia), sémantické problémy defaultovej negácie. Stabilná sémantika. Answer set programming. Preferenčné, skeptické a dôverčivé usudzovanie s využitím stabilnej sémantiky. Stratifikované logické progamy.
+
# Matematická teória strojového učenia. Matematický model strojového učenia. Výchylka a rozptyl. Preučenie a podučenie. PAC učenie a ohraničenia pre konečne a nekonečné množiny hypotéz. VC dimenzia.
# Defaultové teórie. Extenzie. Normálne defaultové teórie. Seminormálne defaultové teórie. Obmedzované extenzie.
+
# Dopredné neurónové siete: jednoduchý perceptrón (binárny, spojitý); viacvrstvové perceptróny, mechanizmy učenia. Lineárne neurónové siete – princíp modelu General Inverse. Modely so samoorganizáciou: implementácia algoritmu PCA, samoorganizujúca sa mapa (SOM), hlavné koncepty, algoritmy učenia, využitie.
# Hierarchické siete. Logický jazyk, v ktorom možno vyjadriť striktnú hierarchickú sieť. Logický jazyk, v ktorom možno vyjadriť hierarchickú sieť s viacnásobným dedením, konfliktami a výnimkami. Skeptické a dôverčivé usudzovanie. Preferovanie špecifickejšej informácie, zdržanlivý skepticizmus.
+
# Rekurentné neurónové siete: architektúry, princíp algoritmov učenia BPTT a RTRL, typy úloh vhodných pre tieto typy sietí. Rekurentné autoasociatívne pamäti: Hopfieldov model, deterministická a stochastická verzia, typy atraktorov, typy dynamiky.
# Indukcia. Sémantická definícia. Základný algoritmus zovšeobecňovania v grafe špecializácií/zovšeobecnení. Induktívne logické programovanie. Pravidlá indukovania. Theta-subsumpcia.
+
# Priama a spätná inferencia v expertných systémoch, simulácia inferencie v CLIPS-e, metóda divide&impere v produkčných systémoch, produkčný systém v CLIPS-e na prehľadávanie stavového priestoru s nájdením všetkých riešení, princíp stratifikácie na príklade hľadania optimálnych riešení (bricks-world problem alebo robot v gridovom bludisku).
# Abdukcia. Poňatia abdukcie - základná logická definícia, abdukcia ako pokrytie, abdukcia nad nemonotónnyi formalizmami (deafultovou teóriou, stabionou sémantikou logického programu).
+
# Princíp fuzzifikácie: fuzzy množiny, lingvistické premenné a termy, modifikátory (hedges), základné typy fuzzy pravidiel (crisp | fuzzy predpoklady, akcie, faktor určitosti pravidla CF, threshold pravidla), priebeh fuzzy inferencie: parciálny matching, kombinácia vstupných fuzzy faktov, modifikácia výstupných faktov, agregácia fuzzy faktov, defuzzifikácia (centre of gravity, mean of maxima metods), teória fuzzy množín na reziduovaných zväzoch.
# Revízie. AGM-postuláty racionálnosti revízie. Truth maintenance system - základné štruktúry, TM-procedúra, DDB-procedúra. Vyjadrenie TMS pomocou logického programu so stabilnou sémantikou, pomocou defaultovej teórie.
+
# Reprezentácia znalostí prostriedkami logického programovania. Sémantika logického programovania (interpretácia, model, T_P-operátor, najmenší model, stabilný model).  Defaultové teórie. Extenzie. Hierarchické siete.  Skeptické a dôverčivé usudzovanie.
# Databáza s hypotézami (a neúplnou informáciou). Nie-korektné usudzovanie. Zachovávanie konzistentnosti. Nemonotóone usudzovanie. Všeobecná charakterizácia nemonotónneho usudzovania. Nemonotónne usudzovanie a revízie.
+
# Nemonotónne usudzovanie. Všeobecná charakterizácia nemonotónneho usudzovania. Formalizácia usudzovania za prítomnosti nekonzistentosti. Indukcia. Abdukcia. Revízie. AGM-postuláty racionálnosti revízie. TMS - základné štruktúry a procedúry.  
# Usudzovanie za prítomnosti nekonzistentosti. Štvorhodnotová Belnapova logika, jej sémantika. Nie-triviálny operátor odvodenia. Preferenčné vyplývanie (s minimalizáciou konfliktov).
+
# Multiagentový system (MAS); reprezentačné a komunikačné jazyky, priama a nepriama komunikácia medzi agentami, implementácia MAS ako middleware, v rámci VM a nad IPC.
# Princíp fuzzifikácie: fuzzy množiny, lingvistické premenné a termy, modifikátory (hedges); základné typy fuzzy pravidiel. (crisp | fuzzy predpoklady, závery, akcie, faktor určitosti pravidla CF); priebeh fuzzy inferencie. (kombinácia fuzzy faktov possibility, necessitity, similarity measures, CF (thresholds), agregácia fuzzy faktov); defuzzifikácia (centre of gravity, mean of maxima metods); návrh fuzzy produkčného systému.
+
# Agentovo-orientované programovanie: dekompozícia aktivitou, subsumpcia, PKA model, agent-space.
# Agent (užšia definícia); autonómnosť a mobilita; receptory, efektory, radič, senzory, aktuátory; klasifikácia agentov na reaktívne, deliberatívne a hybridné; komunikácia medzi agentami: priama a nepriama.  
+
# Reprezentačné jazyky: XML a KIF; multiagentový systém (užšia definícia); komunikačne jazyky: KQML.
+
# Implementácia multigentových systémov; multi-agentový systém implementovaný ako middleware; implementácia v rámci VM OOP; implementácia nad modelom SRR (IPC); pyramidálna architektúra Client – Server; architektúra Agent – Space; robustnosť, decentralizovanosť, normalizácia.
+
# Deliberatívna a nedeliberatívna robotika; nová umelá inteligencia; dekompozícia funkciou a aktivitou; subsumpčná architektúra; PKA model.
+
 
</small>
 
</small>

Revision as of 07:38, 26 April 2010

9.2.9. Sylaby štátnych záverečných skúšok
magisterského študijného programu
Aplikovaná informatika
a
Aplikovaná informatika (konverzný program)

Garant: Doc. RNDr. Roman Ďurikovič, PhD.
             durikovic @ fmph.uniba.sk


Štátnicový predmet 2-AIN-990 Obhajoba diplomovej práce

  1. Hodnotenie A
  2. Hodnotenie B
  3. Hodnotenie C
  4. Hodnotenie D
  5. Hodnotenie E môže získať samostatná práca spĺňajúca viac ako 2/3 zadaných cieľov v prihláške s pôvodnými správnymi výsledkami.
  6. Hodnotenie Fx ostatné práce nezaradisteľné do lepšieho hodnotenia; plagiatorstvo (s návrhom na vylúčenie zo štúdia); zjavne odfláknutá niektorá casť práce, implementácie alebo prezentácie; práca nespĺňajúca viac ako 2/3 zadaných cieľov v prihláške.

Práca nebude akceptovaná na obhajobu ak nebude spĺňať nasledujúce základné požiadavky: a, zmluva nebude obsahovať všetky potrebné podpisy. b, nebude dodržaná štruktúra práce a obsah jednotlivých častí c, práca bude kompilátom sekundárnych zdrojov bez vlastného výskumu a analýz. d, v práci nebudú uvedené referencie na použité zdroje, čiže vyskytne sa v nej plagiátorstvo alebo zneužitie Internetu e, autor/ka nedodrží uvedené požiadavky na formu f, jazyková úroveň práce nebude zodpovedať úrovni absolventa magisterského štúdia.

Štátnicový predmet 2-AIN-950 Metódy aplikovanej informatiky

  1. Reprezentácie objektov v počítačovej grafike, algoritmy pre určovanie viditeľného povrchu, hľadanie prienikov a orezávanie, rasterizácia a antialiasing, zobrazovací kanál, súradnicové sústavy v zobrazovacom kanáli.
  2. Agent, PEAS popis agenta, typy jednoduchých agentov, racionálny agent; informovane a neinformované prehľadávanie, heuristiky, hľadanie heuristík; logickí agenti, databáza znalosti, inferenčné algoritmy pre výrokovú databázu znalosti; predikátová databáza znalosti, modus ponens, resolvencia, forward a backward chaining; minimax, alfa beta orezávanie, pre dvoch aj viacerých hráčov.
  3. Problémy a algoritmy; základné výpočtové modely a miery zložitosti; zložitostné triedy, ich základné charakteristiky a hierarchie; redukcia a úplnosť v zložitostných triedach; NP-úplné problémy; metódy, používané na riešenie (výpočtovo) ťažkých problémov.
  4. Základné rozdelenie architektúr paralelných počítačov; progress a safety podmienky; úloha triedenia pre paralelné architektúry; problém večerajúcich filozofov; komunikácia cez chybný kanál.
  5. Časticové systémy, rovnice pohybu prvého rádu, integračné metódy, stavový vektor systému, vonkajšie sily, obmedzujúce podmienky; animácie pohybu a orientácie, quaternion a orientácia; detekcie kolízie, nutná a postačujúca podmienka, sily odozvy (response forces); numerické riešenie diferenciálnych rovníc - Eulerova metóda, Runge-Kuta metóda; dynamika tuhých telies, rovnice pohybu.

Štátnicový predmet 2-AIN-951 Počítačová grafika a videnie

  1. Kuželosečky, ich klasifikácia; závislosť klasifikácie od typu roviny; vyšetrovanie tvaru rovinnej krivky; priesečníky priamky s krivkou, dotyčnica, singulárne body, inflexné body; kubické krivky; weierstrassov normálny tvar; wliptické krivky a ich využitie.
  2. Pokročilé techniky predspracovania obrazu; techniky rozpoznávania objektov; porozumenie 3D obrazu; počítačové videnie s jednou kamerou; stereovidenie.
  3. Referenčný model počítačovej grafiky, súradnicové systémy a ich transformacie, rozširenie modelu pre augmented reality; pracovna stanica a jej funkčnosť; kódovanie grafickej informacie, hierarchia obrazu a graf scény; fyzické a logické vstupné zariadenia, ISO model vstupu, vstupné režimy, programovanie interakcie; oknové systémy, ich struktúra a funkčnosť.
  4. Kanál metódy sledovania lúča; výpočet farieb renderovacou rovnicou; problém viditeľnosti a tieňa; globálny osvetľovací model; metódy zobrazenia scény množinou obrázkov.
  5. Akceleračné a urýchlovacie techniky, early Z test, culling techniky, úroven detailu, API podpora ; tieňovanie a textúrovanie, základné princípy a rozdiely medzi jednotlivými mapovaniami, tangenciálny priestor; metóda sledovania lúča (ray-tracing) na GPU; tiene; základy objemového zobrazovania na GPU.
  6. Bezstratové kódy v kompresii dát – posuvné, predikčné, kódovanie obrysov (kontúr, hraníc); rekonštrukcia obrazov – operácie opisujúce vznik poškodenia, metódy odstraňovania šumov.
  7. Hľadanie príznakov v obrazoch; klasifikátory (NN, SVM, HMM, ...); aplikácie počítačového videnia (výber obrazov z databázy, detekcia a sledovanie tváre, pokožky); mapovanie farebného rozsahu, HDR; kvalita obrazu (metriky, vyuzitie).
  8. Rozpoznávanie obrazcov (lineárne) separabilných a neseparabilných tried; štatistické rozpoznávanie separabilných tried; štatistické rozpoznávanie neseparabilných tried; syntaktické rozpoznávanie; porovnanie štatistických, syntaktických a ďalších metód rozpoznávania.
  9. Objemové metódy na vizualizáciu objemových dát; povrchové metódy na vizualizáciu objemových dát.
  10. Voronoiov diagram, Delaunayova triangulácia, vlastnosti a vzťahy medzi nimi; definícia a základné vlastnosti VD a DT, ich duálny vzťah, vzťah s konvexným obalom, najbližším párom generátorov, vzťah medzi DT, VD a rotačným paraboloidom z=x*x+y*y, podgrafy DT.
  11. Casteljauov algoritmus vyčísľovania Bézierovej krivky, prerozdelenie, dotyčnica, polárna forma; schéma Casteljauovho algoritmu, zjemnenie krivky na dva segmenty, dotykový vektor krivky, polárna forma polynómu a jej vlastnosti, riadiace vrcholy krivky ako hodnoty polárnej formy, vzťah Casteljauovho algoritmu a polárnej formy, hladké spojenie Bézierovych segmentov.
  12. Grafika a zvuk – aplikačný software; základné grafické a zvukové formáty; kompresné metódy; metódy vytvárania a zavádzania grafiky a zvuku do PC; animácia, video, TV HDTV; videoformáty a kompresia videa; nelineárny videostrih (NLE); mobilné, komunikačné a multimediálne technológie; multimédiá a internet; hypermédiá a videokonferencie; synchronizácia multimediálnych tokov.

Štátnicový predmet 2-AIN-950 Umelá inteligencia

  1. Bayesovské siete a bayesovské vyvodzovanie; klasická teória časových radov, trend, periodicita, náhodnosť; Box-Jenkinsove modely.
  2. Časové rady s náhodnosťou: filtračná, predikčná a vyhladzovacia úloha, markovovské modely, Kálmanov filter. Základné modely dynamických sietí.
  3. Metódy strojového učenia. Strojové učenie s učiteľom, bez učiteľa, posilňovaním. (Generalizovaná) lineárna regresia. Klasifikácia pomocou SVM. Rozhodovacie stromy. Markovovské rozhodovacie procesy. Bagging a boosting.
  4. Matematická teória strojového učenia. Matematický model strojového učenia. Výchylka a rozptyl. Preučenie a podučenie. PAC učenie a ohraničenia pre konečne a nekonečné množiny hypotéz. VC dimenzia.
  5. Dopredné neurónové siete: jednoduchý perceptrón (binárny, spojitý); viacvrstvové perceptróny, mechanizmy učenia. Lineárne neurónové siete – princíp modelu General Inverse. Modely so samoorganizáciou: implementácia algoritmu PCA, samoorganizujúca sa mapa (SOM), hlavné koncepty, algoritmy učenia, využitie.
  6. Rekurentné neurónové siete: architektúry, princíp algoritmov učenia BPTT a RTRL, typy úloh vhodných pre tieto typy sietí. Rekurentné autoasociatívne pamäti: Hopfieldov model, deterministická a stochastická verzia, typy atraktorov, typy dynamiky.
  7. Priama a spätná inferencia v expertných systémoch, simulácia inferencie v CLIPS-e, metóda divide&impere v produkčných systémoch, produkčný systém v CLIPS-e na prehľadávanie stavového priestoru s nájdením všetkých riešení, princíp stratifikácie na príklade hľadania optimálnych riešení (bricks-world problem alebo robot v gridovom bludisku).
  8. Princíp fuzzifikácie: fuzzy množiny, lingvistické premenné a termy, modifikátory (hedges), základné typy fuzzy pravidiel (crisp | fuzzy predpoklady, akcie, faktor určitosti pravidla CF, threshold pravidla), priebeh fuzzy inferencie: parciálny matching, kombinácia vstupných fuzzy faktov, modifikácia výstupných faktov, agregácia fuzzy faktov, defuzzifikácia (centre of gravity, mean of maxima metods), teória fuzzy množín na reziduovaných zväzoch.
  9. Reprezentácia znalostí prostriedkami logického programovania. Sémantika logického programovania (interpretácia, model, T_P-operátor, najmenší model, stabilný model). Defaultové teórie. Extenzie. Hierarchické siete. Skeptické a dôverčivé usudzovanie.
  10. Nemonotónne usudzovanie. Všeobecná charakterizácia nemonotónneho usudzovania. Formalizácia usudzovania za prítomnosti nekonzistentosti. Indukcia. Abdukcia. Revízie. AGM-postuláty racionálnosti revízie. TMS - základné štruktúry a procedúry.
  11. Multiagentový system (MAS); reprezentačné a komunikačné jazyky, priama a nepriama komunikácia medzi agentami, implementácia MAS ako middleware, v rámci VM a nad IPC.
  12. Agentovo-orientované programovanie: dekompozícia aktivitou, subsumpcia, PKA model, agent-space.