Detail předmětu

Modern means in automation

FEKT-CMPAAk. rok: 2017/2018

Předmět je zaměřen na použití znalostních systémů v automatizaci. V tomto kontextu jsou vysvětleny pojmy data, informace a znalosti. Přednášky jsou zaměřeny na problematiku expertních systémů, umělých neuronových sítí, strojového učení, tvorbu a řešení inovačních zadání a počítačového vidění.

Výsledky učení předmětu

Absolvent předmětu by měl být schopen:
- vysvětlit rozdíly mezi pojmy data, informace a znalosti,
- vysvětlit architekturu a funkčnost expertních systémů,
- vytvořit bázi znalosti pro expertní systém NPS32,
- zvolit oblasti použití expertních systémů,
- vysvětlit paradigma vícevrstvé neuronové sítě s učením backpropagation,
- diskutovat nastavení jednotlivých parametrů neuronové sítě,
- aplikovat vícevrstvou neuronovou síť s učením backpropagation,
- navrhnout řešení optimalizační úlohy pomocí genetických algoritmů,
- vysvětlit a použít analýzu objektu, formulaci inovační zadání, formulaci invenčních úloh a doporučení pro nová řešení.
- aplikovat optickou informaci v technických zařízení.

Prerekvizity

Jsou požadovány znalosti na úrovni středoškolského studia.

Doporučená nebo povinná literatura

Kasabov,N.K.: Foundations of Neural Networks, Fuzzy systems and Knowledge Engineering.The MIT Press,1996,ISBN 0-262-11212-4 (EN)
Schalkoff,R.J.:Artificial Neural Networks. The MIT Press,1997,ISBN 0-07-115554-6 (EN)
Hlaváč V.- Šonka M.: Počítačové vidění. Grada 1992,Praha,ISBN 80-85424-67-3 (CS)
Mařík V.-Štěpánková O.-Lažanský J.:Umělá inteligence 1. ACADEMIA 1993,Praha,ISBN 80-200-0496-3 (CS)
Mařík V.-Štěpánková O.-Lažanský J.:Umělá inteligence 2. ACADEMIA 1997,Praha,ISBN 80-200-0504-8 (CS)
Berka P. a kol.: Expertní systémy. Skripta, VŠE Praha, 1998. (CS)
Šíma J., Neruda R.: Teoretické otázky neuronových sítí. Matfyzpress, Praha 1996 (EN)
Sonka M., Hlavac V., Boyle R.: Image Processing, Analysis and Machine Vision. Thomson, 2008, ISBN 978-0-495-08252-1 (EN)

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení na počítači. Student odevzdává jeden samostatný projekt.

Způsob a kritéria hodnocení

Podmínkou udělení zápočtu je 100% účast na povinné části výuky - počítačová cvičení. Studenti jsou hodnoceni průběžně během studia ve cvičeních. Za semestr tak mohou získat maximálně 20 bodů. Závěrečná písemná zkouška je hodnocena maximálně 70ti body, ústní zkouška maximálně 10ti body.

Jazyk výuky

angličtina

Osnovy výuky

1. Automatizace - význam, prostředky, technická kybernetika.
2. Data, informace, znalosti - definice, příklady.
3. Expertní systémy - definice, architektura, teoretické zdroje, charakteristické rysy, inferenční mechanismus, tvorba báze znalostí, získávání znalostí, průběh konzultace, aplikace.
4. Umělé neuronové sítě - definice, neuron, topologie, paradigmata, vícevrstvá neuronová síť, učení backpropagation, aktivace, vlastnosti.
5. Průmysl 4.0 - úvod do problematiky, základní pojmy.
6. Tvorba a řešení inovačních zadání - analýza objektu zdokonalování a formulace inovačních zadání, řešení invenčích úloh s podporou expertního systému a informací z patentových databází.
7. Počítačové vidění - předzpracování obrazu, segmentace, popis obrazu, klasifikace.

Cíl

Cílem kurzu je seznámit studenty s moderními metodami a prostředky v automatizaci. Získat znalosti a zkušenosti zpracováním obrazové informace, ve strojovém učení, použitím neuronových sítí a expertních systémů v automatizaci.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Počítačová cvičení jsou povinná, řádně omluvené zmeškané počítačové cvičení lze po domluvě s vyučujícím nahradit.

Zařazení předmětu ve studijních plánech

  • Program EEKR-BC bakalářský

    obor BC-AMT , 2. ročník, letní semestr, 6 kreditů, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Cvičení na poč.

39 hod., povinná

Vyučující / Lektor