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

čeština

Počet kreditů

3

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

    Simon S. Haykin, Neural Networks - a comprahensive foundation (2 ed), Prentice Hall, 1999. ISBN 0-13-273350-1 (CS)

    Doporučená literatura

    Jure Zupan, Johann Gasteiger. Neural networks in Chemisty and drug design (2 ed), Wiley-VCH, 1999. ISBN: 3-527-29779-0 (CS)

    Zařazení předmětu ve studijních plánech

    • Program BPCP_MPMU bakalářský 3 ročník, zimní semestr, povinně volitelný

    Typ (způsob) výuky

     

    Přednáška

    26 hod., nepovinná

    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.