|
Lecturer(s)
|
-
Komínková Oplatková Zuzana, prof. Ing. Ph.D.
-
Sahgal Divya
-
Matoušek Radomil, prof. Ing. Ph.D.
|
|
Course content
|
1. Introduction, rules and motivation - a definition of the term 'Soft Computing' and its key role in solving complex, non-linear and imprecisely defined problems in automatic control and robotics. Common terms from the field of AI. 2. Uninformed state space search - basic algorithmic procedures (such as BFS or DFS) for systematically traversing the state space without using additional knowledge about the goal. 3. Informed search, mobile robots - the use of heuristic functions and the A* algorithm (and its variants) for the efficient planning of optimal trajectories for mobile robots in environments with obstacles. 4. Evolutionary algorithms - fundamentals - principles of biologically inspired optimisation using genetic algorithms, including the representation of individuals, selection mechanisms, crossover and mutation. 5. Evolutionary algorithms - advanced, surrogate models - advanced optimisation techniques (differential evolution, multi-criteria optimisation) and surrogate models for accelerating computationally intensive simulations. 6. Fuzzy systems and fuzzy controllers - design of fuzzy logic and fuzzy inference systems (Mamdani, Takagi-Sugeno) for the control of non-linear processes without the need for an exact mathematical model. 7. Unsupervised learning - k-means, DBSCAN, hierarchical algorithms - unsupervised learning algorithms for detecting hidden structures in data, identifying operational states and recognising anomalies based on clustering. 8. Classifiers - instance-based and probabilistic classifiers - supervised learning methods (k-NN, Naive Bayes, decision trees) designed, for example, for the accurate diagnosis of faults and the classification of the operational states of industrial equipment. 9. Classifiers - linear separability, SVM, metrics and model evaluation - the concept of geometric data separation using Support Vector Machines (SVM) and an introduction to metrics (Confusion Matrix, ROC-AUC) for the reliable evaluation of the performance of ML models. 10. Neural networks - perceptron, Adaline, MLP - the fundamentals of connectionism, ranging from the simplest linear neurons to multi-layer perceptrons capable of approximating any non-linear function. 11. Neural networks - backpropagation, deep neural networks, recurrent neural networks - a detailed explanation of training networks using backpropagation and an introduction to recurrent neural networks (LSTM/GRU) as tools for modelling dynamic systems with internal states. 12. Neural networks - convolutional neural networks and well-known models - processing of image and one-dimensional sensory signals using convolutional networks for the purposes of visual feedback in robotics or quality control. 13. Neural networks - generative AI, transformers - architectures based on the attention mechanism (Transformers) and selected generative models that can be used, for example, to generate synthetic data for simulation modelling. 14. Reinforcement learning - the principles of agent learning through trial and error within Markov decision processes (Q-learning, DRL) as a modern alternative to autonomous and adaptive control.
|
|
Learning activities and teaching methods
|
Lecturing
- Preparation for course credit
- 30 hours per semester
- Participation in classes
- 56 hours per semester
- Preparation for examination
- 49 hours per semester
|
| prerequisite |
|---|
| Knowledge |
|---|
| Knowledge from areas: Mathematics Fundamentals of Informatics |
| Knowledge from areas: Mathematics Fundamentals of Informatics |
| learning outcomes |
|---|
| definovat a popsat základní pojmy soft computingu, umělé inteligence a strojového učení. |
| definovat a popsat základní pojmy soft computingu, umělé inteligence a strojového učení. |
| vyjmenovat a popsat různé typy neuronových sítí, včetně sítí s učitelem a bez učitele, a vysvětlit jejich trénovací algoritmy. |
| vyjmenovat a popsat různé typy neuronových sítí, včetně sítí s učitelem a bez učitele, a vysvětlit jejich trénovací algoritmy. |
| definovat a vyjmenovat základní evoluční výpočetní techniky, popsat genetické algoritmy, diferenciální evoluci, rojové (hejnové) algoritmy. |
| definovat a vyjmenovat základní evoluční výpočetní techniky, popsat genetické algoritmy, diferenciální evoluci, rojové (hejnové) algoritmy. |
| definovat základní pojmy fuzzy teorie, včetně fuzzyfikace, inference a defuzzyfikace, a popsat jejich využití v praxi. |
| definovat základní pojmy fuzzy teorie, včetně fuzzyfikace, inference a defuzzyfikace, a popsat jejich využití v praxi. |
| orientovat se v možnostech aplikace soft computingu, neuronových sítí, evolučních algoritmů a fuzzy logiky v automatickém řízení. |
| orientovat se v možnostech aplikace soft computingu, neuronových sítí, evolučních algoritmů a fuzzy logiky v automatickém řízení. |
| define and describe the basic concepts of soft computing, artificial intelligence and machine learning. |
| define and describe the basic concepts of soft computing, artificial intelligence and machine learning. |
| list and describe different types of neural networks, including supervised and unsupervised networks, and explain their training algorithms. |
| list and describe different types of neural networks, including supervised and unsupervised networks, and explain their training algorithms. |
| define and list basic evolutionary computational techniques, describe genetic algorithms, differential evolution, swarm algorithms. |
| define and list basic evolutionary computational techniques, describe genetic algorithms, differential evolution, swarm algorithms. |
| define the basic concepts of fuzzy theory, including fuzzification, inference and defuzzification, and describe their use in practice. |
| define the basic concepts of fuzzy theory, including fuzzification, inference and defuzzification, and describe their use in practice. |
| be familiar with the application of soft computing, neural networks, evolutionary algorithms and fuzzy logic in automatic control. |
| be familiar with the application of soft computing, neural networks, evolutionary algorithms and fuzzy logic in automatic control. |
| Skills |
|---|
| aplikovat správné typy evolučních algoritmů na zadané úkoly, např. optimalizaci parametrů řídicích systémů. |
| aplikovat správné typy evolučních algoritmů na zadané úkoly, např. optimalizaci parametrů řídicích systémů. |
| realizovat jednoduché aplikace řešené pomocí evolučních algoritmů. |
| realizovat jednoduché aplikace řešené pomocí evolučních algoritmů. |
| aplikovat správné typy neuronových sítí na zadané úkoly. |
| aplikovat správné typy neuronových sítí na zadané úkoly. |
| implementovat jednoduché aplikace řešené pomocí neuronových sítí pro konkrétní úlohy v automatickém řízení. |
| implementovat jednoduché aplikace řešené pomocí neuronových sítí pro konkrétní úlohy v automatickém řízení. |
| aplikovat principy fuzzy logiky pro navrhování fuzzy řídicích systémů a rozhodovacích procesů v oblasti automatického řízení. |
| aplikovat principy fuzzy logiky pro navrhování fuzzy řídicích systémů a rozhodovacích procesů v oblasti automatického řízení. |
| integrace různých přístupů soft computingu (neuronové sítě, evoluční algoritmy, fuzzy logika) pro vývoj komplexních řešení. |
| integrace různých přístupů soft computingu (neuronové sítě, evoluční algoritmy, fuzzy logika) pro vývoj komplexních řešení. |
| apply the correct types of evolutionary algorithms to given tasks, e.g. optimization of control system parameters. |
| apply the correct types of evolutionary algorithms to given tasks, e.g. optimization of control system parameters. |
| implement simple applications solved using evolutionary algorithms. |
| implement simple applications solved using evolutionary algorithms. |
| apply the correct types of neural networks to given tasks. |
| apply the correct types of neural networks to given tasks. |
| implement simple applications solved with neural networks for specific tasks in the field of automatic control. |
| implement simple applications solved with neural networks for specific tasks in the field of automatic control. |
| apply the principles of fuzzy logic to the design of fuzzy control systems and decision-making processes in the field of automatic control. |
| apply the principles of fuzzy logic to the design of fuzzy control systems and decision-making processes in the field of automatic control. |
| integration of various soft computing approaches (neural networks, evolutionary algorithms, fuzzy logic) to develop complex solutions. |
| integration of various soft computing approaches (neural networks, evolutionary algorithms, fuzzy logic) to develop complex solutions. |
| teaching methods |
|---|
| Knowledge |
|---|
| Lecturing |
| Lecturing |
| assessment methods |
|---|
| Oral examination |
| Oral examination |
|
Recommended literature
|
-
Koza, J. R. Genetic Programming. Cambridge: MIT Press, 1998. ISBN 0-262-11189-6.
-
Koza, John R. Genetic Programming : Darwinian Invention and Problem Solving. San Francisco: Morgan Kaufmann Publishers, 1999. ISBN 1558605436.
-
Mařík V. Štěpánková O., Lažanský J. Umělá inteligence IV. Praha: Academia, 2004. ISBN 80-200-1044-0.
-
Mařík, Vladimír. Umělá inteligence. Vyd. 1. Praha: Academia, 2001. ISBN 8020004726.
-
Novák, V. Fuzzy množiny a jejich aplikace. Praha: SNTL, 1990. ISBN 80-03-00325-3.
-
Pokorný, Miroslav. Řídící systémy se znalostní bází. Dotisk 1. vyd. Ostrava: VŠB, 1999. ISBN 8070782757.
-
Posíchal, Jiří. Evolučné algoritmy. 1. vyd. Bratislava: STU, 2000. ISBN 8022713775.
-
Šnorek, M., Jiřina, M. Neuronové sítě a neuropočítače. Praha: ČVUT, 1996. ISBN 80-01-01455-X.
-
Vysoký, Petr. Fuzzy řízení. Vyd. 1. Praha: Vydavatelství ČVUT, 1996. ISBN 80-01-01429-8.
-
Zelinka I., Oplatková Z., Šeda M., Ošmera P., Včelař F. Evoluční výpočetní techniky, principy a aplikace. 2009. ISBN 978-80-7300-218-3.
-
Zelinka, I. Umělá inteligence II.
-
Zelinka, Ivan. Umělá inteligence : neuronové sítě a genetické algoritmy. 1. vyd. Brno: VUTIUM, 1998. ISBN 8021411635.
|