Detail předmětu

Neuronové sítě a evoluční metody

FSI-VSC-KAk. rok: 2019/2020

Kurz seznamuje se základními přístupy k Soft Computing a klasickými metodami používanými v této oblasti. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů.

Jazyk výuky

čeština

Počet kreditů

4

Výsledky učení předmětu

Pochopení základních metod Soft Computing a schopnost jejich implementace.

Prerekvizity

Předpokládá se znalost základních souvislostí ze statistiky, optimalizace, teorie grafů a programování.

Plánované vzdělávací činnosti a výukové metody

Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny. Cvičení je zaměřeno na praktické zvládnutí látky probrané na přednáškách.

Způsob a kritéria hodnocení

Požadavky pro udělení zápočtu: předložení funkčního softwarového projektu, který používá některou z probíraných implementací metod UI. Konkrétní specifikace probíhá na prvním cvičení. Kontrola postupu realizace projektu a konzultace jsou prováděny průběžně. Dále absolvování jednoho testu a splnění všech samostatných úkolů, které jsou průběžně zadávány. Celkem může student získat 40 bodů za cvičení (20 za projekt a 20 za test) a 60 bodů za zkoušku, celkem tedy max. 100 bodů. Hodnocení probíhá dle ECTS, tj. pro úspěšné absolvování musí student v každé části získat alespoň polovinu bodů (20 a 30).

Učební cíle

Cílem kurzu je seznámit studenty se základním prostředky Soft Computing, s možnostmi a přiměřeností jejich použití při řešení inženýrských úloh.

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

Účast na přednáškách je žádoucí, na cvičeních povinná. Výuka běží podle týdenních plánů. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.

Základní literatura

Aliev,R.A, Aliev,R.R.: Soft Computing and its Application, World Scientific Publishing Co. Pte. Ltd., 2001, ISBN 981-02-4700-1
Sima,J., Neruda,R.: Theoretical questions of neural networks, MATFYZPRESS, 1996, ISBN 80-85863-18-9
Munakata, T.: Fundamentals of the New Artificial Intelligence, Springer-Verlag New York, Inc., 1998. ISBN 0-387-98302-3
Švarc, I., Matoušek, R., Šeda, M., Vítečková, M.: Automatizace-Automatické řízení, skriptum VUT FSI v Brně, CERM 2011.

eLearning

Zařazení předmětu ve studijních plánech

  • Program M2I-K magisterský navazující

    obor M-AIŘ , 1. ročník, letní semestr, povinný
    obor M-AIŘ , 1. ročník, letní semestr, povinný

Typ (způsob) výuky

 

Konzultace v kombinovaném studiu

17 hod., nepovinná

Vyučující / Lektor

Osnova

1. Úvod do Strojového učení a Soft computing v kontextu umělé inteligence.
2. Evoluční algoritmy I. (genetické algoritmy, evoluční strategie).
3. Evoluční algoritmy II. (gramatická evoluce, genetické programování).
4. Vybrané optimalizační metaheuristiky (GHC, THC, DE, Simulované žíhání).
5. SWARM inteligence (PSO, ACO, SOMA).
6. Architektury a klasifikace neuronových sítí. Perceptron.
7. Dopředné neuronové sítě, jedno a vícevrstvé sítě. ADALINE. Algoritmus Back Propagation. Optimalizační metody užité při návrhu ANN.
8. Neuronové sítě typu RBF a RCE. Topologicky organizované neuronové sítě (soutěživé učení, Kohonenovy mapy).
9. Metody shlukové analýzy. Redukce dimenze úlohy. Analýza hlavních komponent. Neuronové sítě typu LVQ, neuronové sítě ART.
10. Asociativní neuronové sítě (Hopfieldova, BAM), chování, stavový diagram, atraktory, učení. a Neocognitron.
11. Deep Neural Network. CNN. Transfer Learning.
12. Spiking neural Network.
13. Případové studie. Deterministický chaos a jeho řízení.

Řízené samostudium

35 hod., povinná

Vyučující / Lektor

Osnova

Počítačové cvičení bude korespondovat s osnovou přednášek v předešlém týdnu. Témata k řešení:
- implementace základních metaheuristik
- řešení problémů globální optimalizace
- využití global optimisation toolboxu
- využití deep neural network toolboxu
- tvorba nelineárních modelů s využitím neuronových sítí
- deep learning v počítačovém vidění pro klasifikaci obrazu
- detekce objektů v obraze s využitím Deep Learningu (R-CNN)
- sémantická segmentace obrazu s využitím Deep Learningu (SegNet)
- validace učení CNN a kontrola naučených sítí pomocí metody deep dream

eLearning