Detail předmětu

Soft Computing

FIT-SFCAk. rok: 2024/2025

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) .

Jazyk výuky

čeština

Počet kreditů

5

Vstupní znalosti

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

Pravidla hodnocení a ukončení předmětu

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

Učební cíle

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.

Studijní opory

Základní literatura

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 
Russel,S., Norvig,P.: Artificial Intelligence, Prentice-Hall, Inc., third edition 2010, ISBN 0-13-604259-7
Rutkowski, L.: Flexible Neuro-Fuzzy Systems, Kluwer Academic Publishers, 2004, ISBN 1-4020-8042-5

Doporučená literatura

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

Elearning

Zařazení předmětu ve studijních plánech

  • Program MITAI magisterský navazující

    specializace NGRI , 0 ročník, zimní semestr, volitelný
    specializace NADE , 0 ročník, zimní semestr, volitelný
    specializace NISD , 0 ročník, zimní semestr, volitelný
    specializace NMAT , 0 ročník, zimní semestr, volitelný
    specializace NSEC , 0 ročník, zimní semestr, volitelný
    specializace NISY do 2020/21 , 1 ročník, zimní semestr, povinný
    specializace NNET , 0 ročník, zimní semestr, volitelný
    specializace NMAL , 0 ročník, zimní semestr, povinný
    specializace NCPS , 0 ročník, zimní semestr, volitelný
    specializace NHPC , 0 ročník, zimní semestr, volitelný
    specializace NVER , 0 ročník, zimní semestr, volitelný
    specializace NIDE , 0 ročník, zimní semestr, povinný
    specializace NISY , 1 ročník, zimní semestr, povinný
    specializace NEMB do 2023/24 , 0 ročník, zimní semestr, volitelný
    specializace NSPE , 0 ročník, zimní semestr, volitelný
    specializace NEMB , 0 ročník, zimní semestr, volitelný
    specializace NBIO , 0 ročník, zimní semestr, volitelný
    specializace NSEN , 0 ročník, zimní semestr, volitelný
    specializace NVIZ , 0 ročník, zimní semestr, volitelný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

  1. Úvod. Neuronové sítě. Backpropagation. 
  2. Neuronové sítě s RBF. Soutěživé sítě. Hopfieldova síť a Boltzmannův stroj.
  3. Konvoluční neuronové sítě. Hluboké učení.
  4. Časové řady. Rekurentní sítě LSTM, GRU.
  5. Fuzzy množiny, fuzzy logika a jejich aplikace.
  6. Markovský rozhodovací proces a posilované učení.
  7. Genetické algoritmy a genetické programování.
  8. Optimalizační algoritmy inspirované přírodou.
  9. Pravděpodobnostní usuzování, Bayesovské sítě.
  10. Hrubé množiny a jejich aplikace.
  11. Základy teorie chaosu.
  12. Hybridní přístupy.
  13. Shrnutí, závěr.

Projekt

26 hod., povinná

Vyučující / Lektor

Osnova

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

Elearning