|
Vyučující
|
-
Matoušek Radomil, prof. Ing. Ph.D.
-
Komínková Oplatková Zuzana, prof. Ing. Ph.D.
|
|
Obsah předmětu
|
1. Úvod, pravidla a motivace - vymezení pojmu Soft Computing a jeho klíčové role při řešení komplexních, nelineárních a nepřesně popsaných problémů v automatickém řízení a robotice. Frekventované pojmy z oblasti AI. 2. Neinformované prohledávání stavového prostoru - základní algoritmické postupy (jako BFS či DFS) pro systematické procházení stavového prostoru bez použití dodatečných znalostí o cíli. 3. Informované prohledávání, mobilní roboty - využití heuristických funkcí a algoritmu A* (a jeho variant) pro efektivní plánování optimálních trajektorií mobilních robotů v prostředí s překážkami. 4. Evoluční algoritmy - základy - principy biologicky inspirované optimalizace pomocí genetických algoritmů, zahrnující reprezentaci jedinců, výběrové mechanismy, křížení a mutaci. 5. Evoluční algoritmy - pokročilé, surrogate modely - pokročilé optimalizační techniky (diferenciální evoluci, vícekriteriální optimalizaci) a zástupné modely pro zrychlení výpočetně náročných simulací. 6. Fuzzy systémy a fuzzy regulátory - návrh fuzzy logiky a fuzzy inferenčních systémů (Mamdani, Takagi-Sugeno) pro regulaci nelineárních procesů bez nutnosti jejich přesného matematického modelu. 7. Unsupervised learning - k-means, DBSCAN, hierarchické algoritmy - algoritmy učení bez učitele pro detekci skrytých struktur v datech, identifikaci provozních stavů a rozpoznávání anomálií na základě shlukování. 8. Klasifikátory - instance-based a pravděpodobnostní klasifikátory - metody učení s učitelem (k-NN, Naivní Bayes, rozhodovací stromy) určené například k přesné diagnostice poruch a klasifikaci stavů průmyslových zařízení. 9. Klasifikátory - lin. separabilita, SVM, metriky a vyhodnocení modelu - koncept geometrického oddělení dat pomocí Support Vector Machines (SVM) a představí metriky (Confusion Matrix, ROC-AUC) pro spolehlivé vyhodnocení úspěšnosti ML modelů. 10. Neuronové sítě - perceptron, adaline, MLP - základy konekcionismu od nejjednodušších lineárních neuronů až po vícevrstvé perceptrony schopné aproximovat libovolné nelineární funkce. 11. Neuronové sítě - backpropagation, hluboké NN, rekurentní NN - detailní vysvětlení trénování sítí pomocí zpětného šíření chyby (Backpropagation) a představení rekurentní sítě (LSTM/GRU) jako nástroje pro modelování dynamických systémů s vnitřním stavem. 12. Neuronové sítě - konvoluční neuronové sítě a známé modely - zpracování obrazových i jednodimenzionálních senzorických signálů pomocí konvolučních sítí pro potřeby vizuální zpětné vazby v robotice nebo oblasti kontroly kvality. 13. Neuronové sítě - generativní AI, transformery - architektury založené na mechanismu pozornosti (Transformery) a vybrané generativní modely využitelné například pro generování syntetických dat pro simulační modelování. 14. Posilované učení - principy učení agenta metodou pokus-omyl v rámci Markovových rozhodovacích procesů (Q-learning, DRL) jako moderní alternativa k autonomnímu a adaptivnímu řízení.
|
|
Studijní aktivity a metody výuky
|
Přednášení
- Účast na výuce
- 56 hodin za semestr
- Příprava na zápočet
- 30 hodin za semestr
- Příprava na zkoušku
- 49 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| Znalosti z oblastí: Matematika Základy informatiky |
| Znalosti z oblastí: Matematika Základy informatiky |
| Výsledky učení |
|---|
| 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. |
| Odborné dovednosti |
|---|
| 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. |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednášení |
| Přednášení |
| Hodnotící metody |
|---|
| Ústní zkouška |
| Ústní zkouška |
|
Doporučená literatura
|
-
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.
|