|
Vyučující
|
-
Bukovský Ivo, doc. Ing. Ph.D.
-
Skrbek Miroslav, Ing. Ph.D.
-
Jelínek Jiří, Ing. CSc.
|
|
Obsah předmětu
|
1. Úvod a přehled neuronových sítí 2. Pokročilé dopředné neuronové sítě 3. Rekurentní neuronové sítě a LSTM 4. Neuronové Turingovy stroje 5. Fuzzy systémy a neuronové fuzzy systémy 6. Reinforcement learning, architektura actor-critic 7. Evoluční techniky and přírodou inspirovaná optimalizace Témata a úlohy cvičení sledují přednášenou látku. V laboratořích studenti získají praktické zkušenosti s pokročilými neuronovými sítěmi a přírodou inspirovanými optimalizačními technikami. Studenti budou řešit problémy s využitím frameworků pro neuronové sítě. Obsahem cvičení je sada laboratorních úloh a semestrální projekt.
|
|
Studijní aktivity a metody výuky
|
Monologická (výklad, přednáška, instruktáž), Práce s textem (učebnicí, knihou), Práce s multimediálními zdroji (texty, internet, IT technologie), Individuální konzultace s vyučujícím, Praktická výuka, Blended learning
- Domácí příprava na výuku
- 26 hodin za semestr
- Semestrální práce
- 25 hodin za semestr
- Příprava na zápočet
- 19 hodin za semestr
- Účast na výuce
- 30 hodin za semestr
|
|
Výstupy z učení
|
Tento předmět je zaměřen na pokročilá témata z oblasti výpočetní inteligence. Studenti získají praktickou zkušenost s pokročilými neuronovými sítěmi, posilovaným učením, fuzzy systémy a přírodou inspirovanou optimalizací. Důraz je kladen na praktické zkušenosti a individuální studentské projekty.
Úspěšným absolvováním kurzu studenti získají znalosti o metodách a nástrojích výpočetní inteligence, prokáží schopnost samostatné práce, zdokonalí schopnosti analytického myšlení, algoritmizace a řešení úloh se strojovým učením, získají dovednosti návrhu a SW implementace neuronových sítí, jejich trénování, a potřebné práce s daty.
|
|
Předpoklady
|
základy programování (libovolný programovací jazyk, Python a základní znalost neuronových sítí výhodou), znalost matematiky základních kurzů bakalářského studia
|
|
Hodnoticí metody a kritéria
|
Test, Průběžné hodnocení
Student může za semestr získat maximálně 100 bodů ve struktuře 40 bodů zkouška a 60 bodů laboratoře. Body za laboratoře získávají studenti průběžným hodnocením práce v semestru, jejíž součástí jsou i testy, které nelze opakovat. Detailní informace o bodech z průběžného hodnocení jsou vyhlášeny na platformě E-learning na stránkách předmětu pro daný rok. Pro úspěšné složení zkoušky musí celkový součet za cvičení i zkoušku být >= 50 bodů, přičemž ve zkouškovém testu musí student dosáhnout alespoň polovinu bodů testu. Pokud není některá z těchto dvou podmínek splněna, student neuspěl. 26hod: Domácí příprava na výuku 25hod: Semestrální práce 10hod: Příprava na zkoušku Další studijní materiály: Dostupné v příslušném kurzu na univerzitním LMS Moodle
|
|
Doporučená literatura
|
-
CHARU C. AGGARWAL. Neural Networks and Deep Learning: A Textbook. Springer; 1st ed. 2018. ISBN: 978-3319944623. ISBN 978-3319944623.
-
LOTFI A ZADEH, RAFIK A ALIEV. Fuzzy Logic Theory and Applications: Part I and Part II. WSPC 2018. ISBN: 978-9813238176.
-
SIMEON KOSTADINOV. Recurrent Neural Networks with Python Quick Start Guide: Sequential learning and language modeling with TensorFlow. Packt Publishing, 2018. ISBN: 978-1789132335.
-
XIN-SHE YANG. Applied Reinforcement Learning with Python: With OpenAI Gym, Tensorflow, and Keras Paperback - Apress, 1st edition, 2019. ISBN: 978-1484251263.
-
XIN-SHE YANG. Nature-Inspired Optimization Algorithms, 2nd Edition. Academic Press, September 2020. 978-0128219867.
|