|
Vyučující
|
-
Bukovský Ivo, doc. Ing. Ph.D.
-
Skrbek Miroslav, Ing. Ph.D.
|
|
Obsah předmětu
|
1. Úvod do výpočetní inteligence 2. Neuronové sítě, taxonomie, topologie 3. Dopředné sítě, učení s učitelem, Perceptron, RBF, 4. Gradientní metody učení, algoritmus Back propagation 5. Samoorganizující se neuronové sítě, SOM 6. Rekurentní neuronové sítě 7. Konvoluční neuronové sítě a hluboké učení 8. Aplikace neuronových sítí 9. Posilované učení (Reinforcement learning) 10. Fuzzy systémy: fuzzy množina, fuzzy pravidla, fuzzyfikace, inference, defuzzyfikace. 11. Genetické algoritmy, princip 12. Diferenciální evoluce, genetické programování 13. Přírodou inspirovaná optimalizace, algoritmy PSO (Particle Swarm Optimization) a ANT (Ant Colony Optimization)
|
|
Studijní aktivity a metody výuky
|
Monologická (výklad, přednáška, instruktáž), Projektová výuka, Praktická výuka, Případová studie
- Příprava na zkoušku
- 25 hodin za semestr
- Domácí příprava na výuku
- 25 hodin za semestr
- Účast na výuce
- 28 hodin za semestr
- Semestrální práce
- 22 hodin za semestr
|
|
Výstupy z učení
|
Cílem předmětu je seznámit studenty s základy algoritmy z oblasti neuronových sítí a výpočetní inteligence, se základními nástroji pro jejich použití (s důrazem na dnes běžně v praxi používané opensource SW nástroje), a s některými typickými aplikacemi pro jejich využití. Předmět zahrnuje neuronové sítě, fuzzy systémy, evoluční algoritmy a přírodou inspirované optimalizační algoritmy.
Základní práce s daty na PC, schopnost matematické analýzy a řešení úloh s využitím programovacích nástrojů.
|
|
Předpoklady
|
Základy programování (libovolný programovací jazyk, znalost práce v Pythonu a Jupyter Notebooku výhodou), znalost matematiky základních kurzů bakalářského studia.
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška, Test, Vypracování laboratorních protokolů, Průběžné hodnocení
Vypracování semestrální práce a vypracování zkouškového testu se ziskem min. 50% všech možných bodů.
|
|
Doporučená literatura
|
-
Anupam Prof. Shukla, Ritu Tiwari. Discrete Problems in Nature Inspired Algorithms. CRC Press; 1st edition, December 26, 2017. ISBN 978-1138196063.
-
Guanrong Chen and Trung Tat Pham. Introduction to Fuzzy Sets, Fuzzy Logic, and Fuzzy Control Systems. CRC Press; 1st edition, October 7, 2019. ISBN 978-0367397883.
-
CHARU C. AGGARWAL. Neural Networks and Deep Learning: A Textbook. Springer; 1st ed. 2018. ISBN: 978-3319944623. ISBN 978-3319944623.
-
XIN-SHE YANG. Nature-Inspired Optimization Algorithms, 2nd Edition. Academic Press, September 2020. 978-0128219867.
|