Detail předmětu

Soft Computing

SFC Ak. rok 2024/2025 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. Posilované učení. Optimalizační algoritmy inspirované přírodou. Pravděpodobnostní usuzování. Hrubé množiny. Chaos.  Hybridní přístupy (kombinace neuronových sítí, fuzzy logiky a genetických algoritmů) .

Garant předmětu

Janoušek Vladimír, doc. Ing., Ph.D. (UITS)

Koordinátor předmětu

Zbořil František, doc. Ing., CSc. (UITS)

Jazyk výuky

česky

Zakončení

zápočet+zkouška (písemná)

Rozsah

  • 26 hod. přednášky
  • 26 hod. projekty

Bodové hodnocení

  • 55 bodů závěrečná zkouška (písemná část)
  • 15 bodů půlsemestrální test (písemná část)
  • 30 bodů projekty

Zajišťuje ústav

Ústav inteligentních systémů (UITS)

Přednášející

Janoušek Vladimír, doc. Ing., Ph.D. (UITS)

Cvičící

Janoušek Vladimír, doc. Ing., Ph.D. (UITS)
Veigend Petr, Ing., Ph.D. (UITS)
Zbořil František, doc. Ing., CSc. (UITS)

Cíle předmětu

Seznámit studenty se základy teorií soft-computing, tj. se základy teorií netradičních technologií a přístupů k řešení obtížných problémů reálného světa.

  • 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 seznámí s teorií a aplikací posilovaného učení.
  • Studenti se seznámí s optimalizačními algoritmy inspirovanými přírodou.
  • 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 inteligentních zařízení a systémů.

Požadované prerekvizitní znalosti a dovednosti

  • Programování v jazycích C++ nebo Python.
  • Základní znalosti z diferenciálního počtu a teorie pravděpodobnosti.

Literatura studijní

  • Graube, D.: Principles of Artificial Neural networks, World Scientific Publishing Co. Pte. Ltd., third edition, 2013
  • Rutkowski, L.: Flexible Neuro-Fuzzy Systems, Kluwer Academic Publishers, 2004, ISBN 1-4020-8042-5
  • Shi, Z.: Advanced Artificial Intelligence, World Scientific Publishing Co. Pte. Ltd., 2011, ISBN-13 978-981-4291-34-7

Literatura referenční

Studijní opory

Osnova přednášek

  1. Úvod. Neuronové sítě. Backpropagation. 
  2. RBF sítě, ART síť, Hopfieldova síť a Boltzmannův stroj.
  3. Konvoluční neuronové sítě. Hluboké učení.
  4. Časové řady. Rekurentní sítě. LSTM a GRU.
  5. Fuzzy množiny, fuzzy k-means, fuzzy logika, fuzzy řízení.
  6. Markovský rozhodovací proces a posilované učení.
  7. Genetické algoritmy a genetické programování.
  8. ACO, PSO a jiné optimalizační algoritmy inspirované přírodou.
  9. Pravděpodobnostní usuzování, Bayesovské sítě.
  10. Hrubé množiny a jejich aplikace.
  11. Základy teorie chaosu.
  12. Neuro-fuzzy systémy a jiné hybridní přístupy.
  13. Tekuté neuronové sítě.

Osnova ostatní - projekty, práce

Individuální projekt - řešení konkrétního problému (klasifikace, optimalizace, asociace, řízení).

Průběžná kontrola studia

  • Půlsemestrální písemný test - 15 bodů.
  • Projekt - 30 bodů.
  • Závěrečná písemná zkouška - 55 bodů, minimálně však 25 bodů.

Rozvrh

DenTypTýdnyMístn.OdDoKapacitaPSKSkupInfo
Út přednáška 1., 2., 3., 4., 5., 6., 7., 8., 9., 10. výuky G202 12:0014:5080 1MIT 2MIT NIDE NISY - NIDE NMAL xx Janoušek
Út přednáška 11., 12., 13. výuky G202 12:0014:5080 1MIT 2MIT NIDE NISY - NIDE NMAL xx

Zařazení předmětu ve studijních plánech

Nahoru