Detail předmětu

Moderní prostředky v automatizaci

FEKT-KMPAAk. rok: 2016/2017

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 a počítačového vidění.

Jazyk výuky

čeština

Počet kreditů

6

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,
- aplikovat optickou informaci v technických zařízení.

Prerekvizity

Jsou požadovány znalosti na úrovni středoškolského studia.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení na počítači. Student odevzdává sedm samostatných projektů.

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 30 bodů. Závěrečná písemná zkouška je hodnocena maximálně 60ti body, ústní zkouška maximálně 10ti body.

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.

Učební cíle

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.

Základní literatura

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 (CS)

Doporučená 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)
Sonka M., Hlavac V., Boyle R.: Image Processing, Analysis and Machine Vision. Thomson, 2008, ISBN (EN)

Zařazení předmětu ve studijních plánech

  • Program EEKR-BK bakalářský

    obor BK-AMT , 3. ročník, letní semestr, volitelný oborový

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1. ročník, letní semestr, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

Znalostní systém v automatizaci.
Data a znalosti. Proces získávání znalostí.
Automatizované získávání znalostí.
Počítačové vidění, úvod, snímání,digitalizace
Předzpracování obrazy, filtrace, zvýraznění hran
Segmentace obrazu, prahování, určení hranic mezi oblastmi
Popis obrazu
Klasifikace obraze, výběr a uspořádání příznaků, princip činnosti klasifikátorů
Umělé neuronové sítě.
Vícevrstvá neuronová síť.
Modelování dynamických systémů pomoci neuronových sítí.
Expertní systémy, struktura a činnost ES.
Použití expertních systémů v automatizaci

Cvičení na počítači

39 hod., povinná

Vyučující / Lektor

Osnova

Obrazový analyzátor DIPS.
Obrazový analyzátor DIPS
Předzpracování obrazu pomocí DIPS
Předzpracování obrazu pomocí DIPS
Segmentace obrazu
Segmentace obrazu
Popis a analýza scény.
Popis a analýza scény.
Matlab with Simulink
Backpropagation - modelování pomocí Matlab
Backpropagation - modelování pomocí Matlab
Modelování dynamických systémů pomocí neuronových sítí
Zápočet