Datová věda, strojové učení & AI

Předmět poskytuje studentům základní přehled o konceptech a technikách používaných v datové vědě. Zabývá se základními metodami shromažďování, zpracování, čištění a vizualizace dat. Studenti se naučí, jak identifikovat vhodné datové zdroje, aplikovat statistické metody pro analýzu dat a interpretovat výsledky analýz. Důraz je kladen na praktické využití nástrojů a softwarů pro analýzu dat, jako jsou Python a R. Předmět také pokrývá základy pravděpodobnosti a statistiky, které jsou nezbytné pro pochopení datových modelů. Studenti se seznámí s konceptem velkých dat a získají přehled o výzvách a příležitostech, které analýza dat přináší. Cílem předmětu je vybavit studenty schopnostmi kriticky přemýšlet o datech a používat analytické metody pro řešení praktických problémů.

Předmět poskytuje pevný základ v teorii a praxi strojového učení. Studenti se seznámí s různými typy strojového učení, včetně učení s učitelem, učení bez učitele, kombinace učení s učitelem a bez učitele a zpětnovazebného učení. Předmět pokrývá základní algoritmy strojového učení, jako jsou lineární regrese, logistická regrese, rozhodovací stromy a náhodné lesy. Důraz je kladen na praktické aspekty trénování, validace a testování modelů, aby studenti pochopili, jak optimalizovat modely pro různé úlohy. Zahrnuty jsou také metody pro řešení běžných problémů, jako jsou přetrénování a podtrénování. Předmět rovněž zdůrazňuje význam výběru vhodných metrik pro hodnocení výkonu modelů

Předmět se zaměřuje na pokročilé metody strojového učení, které využívají hluboké neuronové sítě. Studenti se seznámí s architekturami hlubokých neuronových sítí, včetně konvolučních a rekurentních neuronových sítí, a jejich aplikacemi v rozpoznávání obrazů, zpracování přirozeného jazyka a sekvenčních dat. Předmět pokrývá základní principy trénování hlubokých neuronových sítí, včetně propagace zpět, optimalizace a prevence přetrénování pomocí technik, jako je dropout. Předmět také zahrnuje pokročilé témata, jako je transfer learning a generativní adversiální sítě. Cílem předmětu je poskytnout studentům detailní porozumění možnostem a omezením hlubokého učení, a to jak z teoretického, tak praktického hlediska.

Předmět se zaměřuje na praktické aspekty vytváření a nasazování modelů umělé inteligence v reálných aplikacích. Studenti se naučí celý proces vývoje AI modelů, od sběru a přípravy dat, přes návrh modelu, trénování a validaci, až po implementaci a nasazení modelu. Důraz je kladen na výběr správných algoritmů a technik v závislosti na specifických požadavcích a omezeních projektu. Předmět také zahrnuje metody pro zajištění škálovatelnosti a výkonu AI modelů ve výrobním prostředí. Předmět zdůrazňuje význam kontinuálního monitorování a aktualizace modelů, aby byla zachována jejich přesnost a relevance. Studenti také získají dovednosti v oblasti optimalizace výpočetních zdrojů a řešení problémů spojených s nasazením AI modelů. Cílem předmětu je poskytnout studentům komplexní přehled o vývoji a implementaci AI modelů, připravit je na řešení praktických výzev a umožnit jim efektivně využívat AI ve svých organizacích.

Předmět se zabývá etickými, společenskými a právními otázkami spojenými s vývojem a používáním technologií AI a datové vědy. Studenti se seznámí s klíčovými etickými principy a standardy, které by měly řídit práci v oblasti AI, jako jsou transparentnost, spravedlnost, odpovědnost a soukromí. Předmět zkoumá potenciální negativní dopady AI na společnost, včetně zaujatosti algoritmů, ztráty pracovních míst a otázek soukromí. Studenti se také dozvědí o významu etického designu a implementace AI systémů, aby byly minimalizovány negativní dopady a byly podporovány pozitivní sociální hodnoty. Studenti budou vyzváni k reflexi a kritické diskusi o etických dilematech, s nimiž se mohou setkat ve své profesionální praxi. Cílem předmětu je vybavit studenty schopnostmi identifikovat a řešit etické problémy, které vznikají při práci s datovou vědou a AI, a podporovat odpovědné používání těchto technologií.

Předmět zkoumá, jak mohou technologie umělé inteligence transformovat tradiční přístupy ke strategickému řízení a rozhodovacím procesům v organizacích. Studenti se naučí identifikovat příležitosti pro integraci AI do strategického plánování, zlepšení rozhodovacích procesů a zvýšení konkurenční výhody. Předmět poskytuje přehled o tom, jak může AI podporovat analýzu obchodních dat, predikci tržních trendů, personalizaci zákaznických služeb a optimalizaci operačních procesů. Důraz je kladen na vývoj schopností studentů hodnotit potenciální dopady AI na různé aspekty podnikání a navrhovat efektivní AI strategie. Studenti se také seznámí s metodami pro měření návratnosti investic do AI projektů a pro řízení změn spojených s implementací AI technologií. Předmět zdůrazňuje význam interdisciplinárního přístupu k řízení AI projektů, včetně spolupráce mezi datovými vědci, technologickými experty a obchodními lídry. Cílem předmětu je připravit studenty na využití AI k podpoře strategických cílů a zlepšení rozhodovacích procesů v jejich organizacích.

Předmět se zaměřuje na rozvoj dovedností potřebných pro využití umělé inteligence při tvorbě inovativních produktů, služeb a podnikatelských modelů. Studenti se naučí, jak identifikovat příležitosti pro inovace založené na AI v různých odvětvích a jak převést tyto příležitosti na realizovatelné podnikatelské projekty. Předmět poskytuje přehled o ekosystému AI startupů a klíčových faktorech, které ovlivňují úspěch inovací v AI. Důraz je kladen na metodiky pro rychlé prototypování a iterativní vývoj produktů s využitím principů lean startupu a agilního managementu. Studenti se seznámí s financováním inovativních projektů, včetně venture kapitálu a crowdfundingu. Předmět také pokrývá strategie pro vstup na trh, marketingové a prodejní strategie pro produkty a služby založené na AI. Studenti si vyzkouší tvorbu vlastních podnikatelských nápadů v AI. Cílem předmětu je inspirovat studenty k podnikavosti v oblasti AI a poskytnout jim nástroje potřebné pro úspěšné zavedení inovací na trh.

Předmět se zabývá metodami a technologiemi potřebnými pro efektivní práci s velkými objemy dat. Studenti se seznámí s výzvami spojenými s ukládáním, zpracováním a analýzou big dat, včetně otázek týkajících se rychlosti, rozmanitosti a pravdivosti dat. Předmět poskytuje přehled o moderních technologiích pro zpracování big dat, jako jsou Hadoop, Spark a NoSQL databáze. Důraz je kladen na architektury pro distribuované zpracování dat a na techniky pro streamování dat v reálném čase. Studenti se naučí, jak navrhovat a implementovat řešení pro big data, včetně systémů pro sběr dat, skladování, analýzu a vizualizaci. Předmět rovněž pokrývá pokročilé analytické techniky specifické pro big data, včetně strojového učení a hlubokého učení na velkých datasetech. Cílem předmětu je poskytnout studentům detailní porozumění pro práci s big daty a připravit je na řešení praktických problémů ve velkém měřítku.

Předmět poskytuje ucelený pohled na to, jak lze technologie umělé inteligence efektivně začlenit do každodenního fungování podniků. Studenti se naučí, jak analyzovat a identifikovat podnikové procesy vhodné pro automatizaci nebo zlepšení pomocí AI. Předmět se zaměřuje na praktické aspekty integrace AI, včetně výběru technologických řešení, návrhu uživatelských rozhraní a zajištění kompatibility s existujícími systémy a infrastrukturou. Důraz je kladen na přístupy k řízení změny, které usnadňují adopci AI technologií zaměstnanci a zákazníky. Studenti se také seznámí s metodami pro měření dopadu AI na efektivitu, produktivitu a zákaznickou spokojenost. Cílem předmětu je vybavit studenty dovednostmi potřebnými pro úspěšnou implementaci AI řešení a pro maximalizaci jejich přínosů pro organizaci.

Předmět se zaměřuje na klíčové aspekty řízení týmů datové vědy a integrace datově vědních projektů do obchodních strategií organizace. Studenti se naučí, jak vytvářet a řídit multidisciplinární týmy složené z datových vědců, analytiků a IT specialistů. Předmět zdůrazňuje význam komunikace a spolupráce mezi datovou vědou a ostatními odděleními podniku. Studenti se seznámí s metodami pro definování a měření úspěchu datově vědních projektů, včetně stanovení jasných obchodních cílů a klíčových ukazatelů výkonu (KPIs). Důraz je kladen na strategické plánování a řízení datových aktiv, včetně otázek souvisejících s datovou správou, ochranou dat a dodržováním právních předpisů. Předmět rovněž pokrývá inovativní přístupy k využívání dat pro získání konkurenční výhody, včetně analýzy tržních trendů, personalizace produktů a optimalizace zákaznických zážitků. Cílem předmětu je připravit studenty na vedoucí role v oblasti datové vědy a vybavit je dovednostmi potřebnými pro úspěšné řízení datově vědních iniciativ ve svých organizacích.