Uvod u umjetnu inteligenciju

1. komponenta

Vrsta nastave	Ukupno
Predavanja	15
Seminar	15

* Opterećenje je izraženo u školskim satima (1 školski sat = 45 minuta)

Upoznati studenta s temama vezanim uz umjetnu inteligenciju (kroz paradigmu dubokoga učenja), njezine temelje, primjene i izazove.
Naučiti prikazati osnovne ideje dubokoga učenja i razviti samostalno osnovne sustave umjetne inteligencije kao i definirati zadatke koji se danas stavljaju pred umjetnu inteligenciju.
Znati precizno definirati odnos pojedinca spram tehnologija umjetne inteligencije i njezine uloge u društvu kao i prepoznati probleme vezane uz sigurnost umjetne inteligencije i njezine potencijalne zloporabe, s naglaskom na etičke probleme vezane uz sigurnosne izazove današnje umjetne inteligencije.
Naučiti osnovne dubokoga učenja s Pythonom (distribucija Anaconda), od osnova Pythona sve do implementacije višeslojne umjetne neuronske mreže koja prepoznaje ručno pisane brojeve.

Akademska postignuća (ishodi učenja) na razini programa kojima predmet pridonosi:
Argumentirati i racionalno braniti vlastita filozofska shvaćanja.
Prosuđivati interdisciplinarno i uzimati u obzir različite znanstvene metodologije i poglede na posebna pitanja i probleme umjetne inteligencije.
Razmatrati i prosuđivati opravdanost različitih teoretskih i praktičnih prijedloga, uvažavajući posebnosti raznih područja života i radnih okolina.
Razvijati kritičko mišljenje i strukturalno formalno mišljenje

Očekivana akademska postignuća na razini predmeta:
1. Kritički prosuditi o ulozi umjetne inteligencije i dubokoga učenja u društvu.
2. Objasniti metodologiju konvolucijskih neuronskih mreža.
3. Preispitati sigurnosne aspekte i moguće zloporabe dubokoga učenja.
4. Istražiti različite primjene umjetne inteligencije i dubokoga učenja s naglaskom na etičke aspekte prikupljanja podataka korisnika.

Opis sadržaja predmeta:
1. Opći uvod u umjetnu inteligenciju i teorijske limitacije njezine uporabe. Okviri umjetne inteligencije.
2. Uvod u strojno učenje i duboko učenje. Instalacija Anaconde.
3. Dijagramatski prikaz procesa strojnoga učenja. Osnovne operacije u Pythonu.
4. Mjere uspješnosti strojnoga učenja. Petlje u Pythonu.
5. Logistička regresija. Definicije u Pythonu.
6. Povijesni kontekst nastanka kibernetike i dubokoga učenja. Razumijevanje lista u Pythonu.
7. Ulančavanje unazad (backpropagation). Učitavanje i prerada CSV-datoteka u Pythonu.
8. Višeslojna umjetna neuronska mreža. Osnove SKLearn u Pythonu.
9. Vizualni uvod u konvolucijske neuronske mreže. MNIST skup podataka. Učitavanje MNIST-a sa SKLearn.
10. Pitanje privatnosti i digitalni podatci. Instalacija Gimpa. Najosnovnije operacije obrade slike u Gimpu (greyscale, crop i resize).
11. Sigurnosne primjene umjetnih neuronskih mreža. Višeslojna umjetna neuronska mreža u SKLearn.
12. Preventivna kriminalistika i etička pitanja vezana uz predviđanja kriminala. Izrada gotovoga sustava za prepoznavanje ručno pisanih brojeva.
13. Duboko učenje i rasizam - od nebalansiranosti podataka do predrasuda. Eksperimentiranje s gotovim sustavom i ručno pisanim brojevima.
14. Prema epistemologiji umjetne inteligencije: usporedba s čovjekom i kognitivnim procesima. Osnove Kerasa i njegova instalacija. Prikaz gotove konvolucijske mreže za MNIST u Kerasu.
15. Završna rasprava

PSI (2980) - izborni TZP - Redovni studij - Psihologija

KRO (3001) - izborni TZP - Redovni studij - Kroatologija
PSI (2980) - izborni TZP - Redovni studij - Psihologija

FIL (1826): Izborni kolegiji - Redovni studij - Filozofija i kultura
KRO (3001) - izborni TZP - Redovni studij - Kroatologija
SOC (2960) - izborni TZP - Redovni studij - Sociologija

FIL (1826): Izborni kolegiji - Redovni studij - Filozofija i kultura
KRO (3001) - izborni TZP - Redovni studij - Kroatologija
SOC (2960) - izborni TZP - Redovni studij - Sociologija

FIL (1826): Izborni kolegiji - Redovni studij - Filozofija i kultura
SOC (2960) - izborni TZP - Redovni studij - Sociologija

FIL (1826): Izborni kolegiji - Redovni studij - Filozofija i kultura