Detail předmětu
Umělá inteligence v průmyslových technologiích
FCH-BC_UIPTAk. rok: 2024/2025
Po absolvování kurzu bude posluchač schopen porozumět podstatě neuronových sítí a chápat principy různých modelů strojového učení s učitelem, bez učitele a zpětnovazebného učení. Získá znalosti o umělém neuronu a architektuře neurálních sítí pro řešení lineárně separovatelných úloh i rozpoznávání vzorů. To zahrnuje jak teoretické znalosti, tak i praktické dovednosti s použitím a trénováním těchto algoritmů. Absolvent kurzu bude umět použít MLP neuronové sítě jako nástroje pro řešení praktických problémů nebo pro vyhodnocení dat a optimalizaci podmínek studovaného procesu. S ohledem na to, jak rozšířené je dnes použití neuronových sítí a umělé inteligence obecně, tyto znalosti posluchač kurzu s jistotou využije při svém výzkumu i v budoucím zaměstnání, a to jak v oboru tak i mimo něj.
Jazyk výuky
Počet kreditů
Garant předmětu
Zajišťuje ústav
Vstupní znalosti
Lineární algebra
Základy statistiky, zejména jednorozměrná analýza (rozdělení dat, symetrie, špičatost, identifikace odlehlých hodnot…)
Základy Matlabu – pro praktické cvičení probírané látky
Pravidla hodnocení a ukončení předmětu
Ustní zkouška v rozsahu probíraného učiva definovaného osnovou předmětu s písemnou přípravou.
Učební cíle
Cílem kurzu je posluchačům poskytnout teoretické znalosti i praktické dovednosti v rychle se rozvíjející oblasti neurálních sítí (ANN, Artificial neural network), které představují jeden z výpočetních modelů umělé inteligence (AI, Artificial Intelligence). Student získá zkušenosti a seznámí se s aplikacemi v oblasti signálového zpracování a strojového učení (ML, Machine learning), které umožňuje algoritmům se samostatně učit z dat, aniž by byly člověkem programovány. Probírány budou mimo jiné LTI (Linear time-invariant) systémy typu FIR (Finite Impulse Response) s neměnnými, optimalizovanými a adaptivními algoritmy s příklady aplikací v oboru chemie a chemické technologie.
Základní literatura
Doporučená literatura
Zařazení předmětu ve studijních plánech
- Program BPCP_MPMU bakalářský 3 ročník, zimní semestr, povinně volitelný
Typ (způsob) výuky
Přednáška
Vyučující / Lektor
Osnova
1. LTI systémy I.: Úvod do předmětu, základy LTI (Linear time-invariant) systémů, Matlab.
2. LTI systémy II.: LTI systémy fixní a optimální, úvod do adaptace.
3. LTI systémy III.: Adaptivní LTI FIR systémy standardní a normalizované LMS (Leaking Time-invariant Systems).
4. LTI systémy IV.: Praktické procvičení LTI systémů v Matlabu.
5. Umělé neuronové sítě I.: Úvod do neuronových sítí a strojového učení s učitelem (Supervised learning), bez učitele (Un-supervised learning) a zpětnovazebné učení (Reinforcement learning).
6. Umělé neuronové sítě II.: Artificiální neuron a percepton, vícevrstevné perceptony, aktivační funkce nelineární a prahová, signálové zpracování, klasifikace, segmentace, algoritmy pro trénování, testování modelu.
7. Umělé neuronové sítě III.: Vícevrstevné neuronové sítě s předáváním (FNN, Feedforward neural networks) s iterativním algoritmem minimalizujícím chybovou funkci (Backpropagation algorithm).
8. Umělé neuronové sítě IV.: Praktické procvičení vrstevních neuronových systémů v Matlabu.
9. Neuronové sítě jiných typů I.: Radial basis function (RBF) sítě pro klasifikaci a aproximaci, Rekurentní neuronové sítě (RNN) pro analýzu řeči nebo textu.
10. Neuronové sítě jiných typů II.: Neuronové sítě SON (Self-organizing networks), neuronové sítě se zpětnou vazbou (Feedback Networks), asociativní paměti pro rekonstrukci porušeného nebo neúplného vzoru.
11. Praktické cvičení v Matlabu.
12. Shrnutí probírané látky a aplikace neurálních sítí.