Umělá inteligence pro humanitní a společenské vědy

Artificial Intelligence for the Humanities 

Umělá inteligence je velmi aktuálním a sílícím trendem pronikajícím do nejrůznějších oblastí života i většiny vědních oborů, včetně humanitních a společenskovědních. Tímto kurzem reagujeme na rostoucí význam rychle se uplatňujících počítačových technologií a srozumitelnou formou představujeme technologické základy umělé inteligence. Kurz je určen především studentům humanitních a společenskovědních oborů, a to na jakémkoliv stupni (Bc/Mgr/PhD).

Cíle předmětu

Studenti během kurzu získají teoretické znalosti i praktické dovednosti potřebné pro řešení praktických úloh s využitím dostupných dat a metod umělé inteligence, zejména z oblasti analýzy textů. Za tímto účelem se naučí využívat nástroje implementované v programovacím prostředí R a samostatně se orientovat v technické literatuře. Absolvent kurzu má schopnost analyzovat a zpracovat data z různých oblastí humanitních nebo společenských věd a tato data využívat pro experimentování s umělou inteligencí.

Předpoklady

U studentů předpokládáme chuť experimentovat s umělou inteligencí, včetně neuronových sítí. Zájemci o tento kurz by měli ovládat základy práce v systému R a měli by mít alespoň elementární znalosti o systematickém zpracování a statistické analýze dat. Tyto vstupní předpoklady lze nahradit docházkou na paralelně vyučovaný kurz "Zpracování a analýza dat pro humanitní a společenské vědy" [NPFL 143].

Kalendář

Prostředí R

• Doporučený kurz základů práce v R: Cultural Analytics: Interactive Learning Environment in R (Lekce 1-4)

Literatura

• Arnold, Taylor and Lauren Tilton: Humanities Data in R. Exploring Networks, Geospatial Data, Images, and Text. Springer, 2015. [https://link.springer.com/book/10.1007/978-3-319-20702-5]
• Lantz, Brett: Machine Learning with R. PACKT Publishing. 2013, 2019. [https://www.packtpub.com/product/machine-learning-with-r-third-edition/9781788295864]
• Grolemund, Garrett and Hadley Wickham: R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media, 2016. [https://r4ds.hadley.nz/]
• Boehmke, Bradley and Brandon M. Greenwell: Hands-On Machine Learning with R. Chapman & Hall / CRC, 2019. [https://bradleyboehmke.github.io/HOML/]
• Hvitfeldt, Emil and Julie Silge: Supervised Machine Learning for Text Analysis in R. CRC Press. 2022. [SMLTAR | https://smltar.com/]

Další zdroje

• Chollet François, Tomasz Kalinowski, and J. J. Allaire. Deep Learning with R. Manning Publications, Second Edition, 2022. [DLR | https://www.manning.com/books/deep-learning-with-r-second-edition]
• Koubský, Petr. Veřejně dostupné LLMs: zkušenosti novináře. Linguistic Mondays Seminar at ÚFAL MFF UK, 11/2023. [video]
• Martinková Patricia, Hladká Adéla. Computational Aspects of Psychometric Methods With R. Chapman & Hall, 2023. [PAT | doi]