|
Vyučující
|
-
Trnečková Markéta, Mgr. Ph.D.
|
|
Obsah předmětu
|
1. AI jako pracovní nástroj datového vědce Současné způsoby práce s AI. Konverzační modely, práce s dokumenty a daty, nástroje pro rešerši, spouštění kódu a agentní systémy. Zadávání komplexních odborných úloh, iterativní práce a kontrola výsledků. 2. AI jako datový analytik Využití AI při prvotním průzkumu dat, čištění dat, explorativní analýze a vizualizaci. Automatické navrhování postupů analýzy. Hledání chyb, nekonzistencí a problematických interpretací. 3. AI při statistické analýze Návrh statistických metod pomocí AI, kontrola jejich předpokladů a interpretace výsledků. Rizika automatického výběru statistických metod, datového úniku, zkreslení, mnohonásobného testování a nesprávné interpretace výsledků. 4. AI-assisted programming Generování a vysvětlování programového kódu, debugging, refactoring, dokumentace a automatická tvorba testů. Kontrola správnosti kódu generovaného AI. Využití AI při implementaci datových a matematických algoritmů. 5. Coding agenti a práce s většími projekty Agentní nástroje schopné pracovat s celým softwarovým projektem. Orientace v existujícím kódu, plánování změn, práce s verzovacími systémy, automatické spouštění testů a kontrola změn provedených agentem. 6. AI při práci s odbornou literaturou Vyhledávání odborných zdrojů, návrh rešeršní strategie, práce s vědeckými články, porovnávání metod a výsledků. Ověřování citací a tvrzení generovaných AI. Využití AI při přípravě odborného a závěrečného textu. 7. Reprodukovatelnost vědeckých výsledků s pomocí AI Využití AI při porozumění metodice publikované práce, práci s dostupnými daty a programovým kódem a reprodukci výsledků. Identifikace neúplných informací, metodologických problémů a možných příčin odlišných výsledků. 8. AI při řešení matematických problémů AI jako pomocník při hledání strategie důkazu, pomocných tvrzení a protipříkladů. Kontrola a kritika matematických důkazů. Rozdíl mezi přesvědčivě formulovaným a matematicky korektním řešením. 9. AI a experimentální matematika Generování matematických dat, hledání vzorů a formulování hypotéz. Využití programování a AI při hledání protipříkladů a testování hypotéz. Workflow experiment ? hypotéza ? ověření ? důkaz. 10. AI při hledání nových algoritmů a matematických konstrukcí Příklady využití AI při matematickém objevování. Automatické generování kandidátních řešení, jejich vyhodnocování a iterativní optimalizace. Případové studie současných systémů pro hledání algoritmů a matematických konstrukcí. 11. AI jako nástroj vědeckého výzkumu Využití AI při formulování hypotéz, návrhu experimentů, analýze výsledků a automatizaci částí vědeckého workflow. Případové studie z matematiky, informatiky a dalších vědních oborů. Role člověka a AI při vzniku nového vědeckého poznání. 12. Odpovědné používání AI v datové vědě a výzkumu Ověřování a reprodukovatelnost výsledků, akademická integrita, ochrana osobních a výzkumných dat, autorská práva a odpovědnost za výstupy vytvořené s pomocí AI. Pravidla využívání generativní AI při vysokoškolském studiu a vědecké práci.
|
|
Studijní aktivity a metody výuky
|
|
Monologická (výklad, přednáška, instruktáž), Dialogická (diskuze, rozhovor, brainstorming), Demonstrace, Aktivizující práce ve skupinách
|
|
Výstupy z učení
|
Cílem předmětu je naučit studenty efektivně a kriticky používat současné nástroje AI při řešení úloh typických pro datovou vědu, matematiku a vědecký výzkum.
Po absolvování předmětu by měl student být schopen: - zvolit vhodný způsob využití AI pro konkrétní odborný problém, - ?využívat AI při analýze a interpretaci dat, - ?využívat AI při tvorbě, kontrole a úpravě programového kódu, - kriticky posoudit statistickou nebo datovou analýzu vytvořenou pomocí AI, - používat AI při vyhledávání a zpracování odborné literatury, - využít AI jako pomocný nástroj při řešení matematických problémů, - navrhnout výpočetní experiment pro hledání matematických hypotéz a protipříkladů, - ověřovat výsledky generované AI vhodnými matematickými, statistickými nebo výpočetními metodami, - rozpoznat situace, ve kterých není vhodné výstupu AI důvěřovat bez další kontroly, - dokumentovat využití AI při odborné a vědecké práci, - orientovat se v základních otázkách akademické integrity, ochrany dat a odpovědného používání AI.
|
|
Předpoklady
|
nespecifikováno
|
|
Hodnoticí metody a kritéria
|
Analýza výkonů studenta
Aktivní účast na seminářích a vypracování závěrečné úlohy zaměřené na praktické využití AI v datové vědě, matematice nebo vědeckém výzkumu.
|
|
Doporučená literatura
|
-
Další odborná literatura, aktuální vědecké články a metodické materiály budou průběžně doplňovány v průběhu semestru s ohledem na rychlý vývoj v oblasti umělé inteligence.
-
Bishop, Ch., Bishop, H. (2024). Deep Learning: Foundations and Concepts.
-
Raschka, S. (2024). Build a Large Language Model (From Scratch).
|