Detail předmětu

Soft Computing

FIT-SFCAk. rok: 2025/2026

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

Garant předmětu

doc. Ing. Vladimír Janoušek, Ph.D.

Zajišťuje ústav

Ústav inteligentních systémů (UITS)

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

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program MITAI magisterský navazující

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

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Vladimír Janoušek, Ph.D.

Osnova

  1. Úvod. Neuronové sítě. Gradientní sestup. Backpropagation.
  2. Konvoluční neuronové sítě. Hluboké učení.
  3. Rekurentní neuronové sítě pro sekvenční data. Embedding.
  4. RBF sítě. Rekurentní sítě jako asociativní paměti, Hopfieldovy sítě.
  5. Rekurentní sítě se spojitým časem. Tekuté neuronové sítě.
  6. Fuzzy množiny, fuzzy k-means, fuzzy logika.
  7. Fuzzy řízení. Adaptivní neuro-fuzzy systémy., 
  8. Markovský rozhodovací proces a posilované učení.
  9. Genetické algoritmy a genetické programování.
  10. ACO, PSO a jiné optimalizační algoritmy inspirované přírodou.
  11. Pravděpodobnostní usuzování.
  12. Hrubé množiny a jejich aplikace.
  13. Chaos. Hybridní přístupy.

Projekt

26 hod., povinná

Vyučující / Lektor

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

Osnova

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

Elektronické učební texty

SFC 2020
Soft Computing 2020.pdf 7.1 MB

Elearning

eLearning: aktuální otevřený kurz