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

Garant předmětu

M.Sc. Josef Ström Bartůněk, Ph.D.

Zajišťuje ústav

Ústav chemie materiálů (ÚCHM)

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

    M.Sc. Josef Ström Bartůněk, Ph.D.

    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.