Detail předmětu
Soft Computing
SFC Ak. rok 2015/2016 zimní semestr 5 kreditů
Soft computing je zastřešující název (který nemá použitelný český překlad) pro netradiční technologie, resp. přístupy k řešení obtížných problémů. Obsah předmětu je ve shodě s významem jeho názvu následující: Tolerance pro nepřesnost a neurčitost jako základní atributy teorií soft-computing. Neuronové sítě. Fuzzy logika. Genetické, ACO (Ant Colony Optimization) a PSO (Particle Swarm Optimization) algoritmy. Pravděpodobnostní usuzování. Hrubé množiny. Chaos. Hybridní přístupy (kombinace neuronových sítí, fuzzy logiky a genetických algoritmů) .
Garant předmětu
Jazyk výuky
Zakončení
Rozsah
- 26 hod. přednášky
- 26 hod. projekty
Zajišťuje ústav
Získané dovednosti, znalosti a kompetence z předmětu
- Studenti se seznámí se základními typy neuronových sítí a jejich aplikacemi.
- Studenti se seznámí se základy teorie fuzzy množin a fuzzy logiky včetně návrhu fuzzy regulátoru.
- Studenti se naučí řešit optimalizační problémy pomocí genetických, ACO (Ant Colony Optimization) a PSO (Particle Swarm Optimization) algoritmů.
- Studenti se seznámí s problematikou pravděpodobnostního usuzování.
- Studenti se seznámí se základy teorie hrubých množin a s použitím těchto množin při dolování znalostí z databází.
- Studenti se seznámí se základy teorie chaosu.
- Studenti se naučí odborné terminologii z oblasti soft-computing, a to jak v českém, tak i anglickém jazyce.
- Studenti si uvědomí důležitost tolerance nepřesnosti a neurčitosti pro konstrukci robustních a levných inteligentních zařízení.
Cíle předmětu
Seznámit studenty se základy teorií soft-computing, tj. se základy teorií netradičních technologií a přístupů k řešení obtížných problémů reálného světa.
Požadované prerekvizitní znalosti a dovednosti
- Programování v jazycích C++ nebo Java.
- Základní znalosti z diferenciálního počtu a teorie pravděpodobnosti.
Literatura studijní
-
- Mehrotra, K., Mohan, C. K., Ranka, S.: Elements of Artificial Neural Networks, The MIT Press, 1997, ISBN 0-262-13328-8
- Munakata, T.: Fundamentals of the New Artificial Intelligence, Springer-Verlag New York, Inc., 2008. ISBN 978-1-84628-838-8
- Russel, S., Norvig, P.: Artificial Intelligence, Prentice-Hall, Inc., 1995, ISBN 0-13-360124-2, second edition 2003, ISBN 0-13-080302-2, third edition 2010, ISBN 0-13-604259-7
Literatura referenční
- Kriesel, D.: A Brief Introduction to Neural Networks, 2005, Fundamentals of the New Artificial Intelligence, Springer-Verlag New York, Inc., 2008. ISBN 978-1-84628-838-8
- Rutkowski, L.: Flexible Neuro-Fuzzy Systems, Kluwer Academic Publishers, 2004, ISBN 1-4020-8042-5
- Russel,S., Norvig,P.: Artificial Intelligence, Prentice-Hall, Inc., third edition 2010, ISBN 0-13-604259-7
Osnova přednášek
- Úvod. Biologický a umělý neuron, umělé neuronové sítě. Základní modely neuronů, Adaline a Perceptron.
- Neuronové sítě Madaline a BP (Back Propagation). Neuronové sítě s proměnnou topologií.
- Neuronové sítě RBF a RCE. Topologicky organizované neuronové sítě, soutěživé učení, Kohonenovy neuronové sítě/mapy.
- Neuronové sítě CPN, LVQ a ART.
- Neuronové sítě jako asociativní paměti (Hopfield, BAM, SDM).
- Řešení optimalizačních problémů neuronovými sítěmi. Stochastické neuronové sítě, Boltzmannův stroj.
- Genetické algoritmy.
- Optimalizační algoritmy ACO a PSO.
- Fuzzy množiny, fuzzy logika, fuzzy inference.
- Pravděpodobnostní usuzování, Bayesovské sítě.
- Hrubé množiny.
- Chaos.
- Hybridní přístupy (neuronové sítě, fuzzy logika, genetické algoritmy).
Průběžná kontrola studia
Nejméně 20 bodů získaných v průběhu semestru (za půlsemestrální test a projekt).
Kontrolovaná výuka
- Půlsemestrální písemný test - 15 bodů.
- Projekt - 30 bodů.
- Závěrečná písemná zkouška - 55 bodů, minimálně však 25 bodů. Pro získání bodů ze závěrečné písemné zkoušky je nutné zkoušku vypracovat tak, aby byla hodnocena nejméně 25 body (v opačném případě bude zkouška hodnocena 0 body).
Zařazení předmětu ve studijních plánech