Detail předmětu

Analýza dat a metody umělé inteligence

FSI-TPXAk. rok: 2026/2027

Kurz rozvíjí schopnost studentů zpracovávat a analyzovat fyzikální data pomocí statistických a umělointeligenčních metod. Studenti si osvojí principy odhadu parametrů, testování hypotéz, klasifikace, regrese a moderních metod strojového i posilovaného učení.

Jazyk výuky

čeština

Počet kreditů

2

Garant předmětu

doc. Ing. Miroslav Bartošík, Ph.D.

Zajišťuje ústav

Ústav fyzikálního inženýrství (ÚFI)

Vstupní znalosti

Matematický aparát v rozsahu výpočtu základních statistických charakteristik datového souboru.

Pravidla hodnocení a ukončení předmětu

Hodnocení studenta bude zohledňovat jeho práci ve cvičení a výsledky diskuze nad zadanými tématy při kolokviu (na základě protokolu zpracované zápočtové úlohy).
Přítomnost na cvičení je povinná a je sledována vyučujícím. Způsob nahrazení zmeškané výuky ve cvičení bude stanovena vyučujícím na základě rozsahu a obsahu zmeškané výuky.

Učební cíle

Student:

  • analyzuje fyzikální data statistickými a AI metodami,
  • umí aplikovat MLE a testování hypotéz na experimentální data,
  • používá regresní a klasifikační metody (Naivní Bayes, SVM, neuronové sítě),
  • provádí redukci dimenze (PCA) a clustering,
  • chápe principy Bayesovského a posilovaného učení,
  • interpretuje výsledky modelů v kontextu fyzikálních procesů

Studijní opory

https://sites.google.com/view/pave1

Základní literatura

Barber, D. Bayesian Reasoning and Machine Learning. Cambridge: Cambridge University Press, 2012. ISBN 978-0521518147.
Géron, A. Hands-On Machine Learning with Scikit-Learn and TensorFlow. Sebastopol: O’Reilly Media, 2017. ISBN 978-1491962299. (EN)
VanderPlas, J. Python Data Science Handbook. Sebastopol: O’Reilly Media, 2016. ISBN 978-1491912058. (EN)

Doporučená literatura

CERN Open Data Portal [online]. CERN, 2014–2025. Dostupné z: https://opendata.cern.ch/ (EN)
NASA Open Data Portal [online]. NASA, 2011–2025. Dostupné z: https://data.nasa.gov/ (EN)
Scikit-learn documentation [online]. The scikit-learn developers, 2010–2025. Dostupné z: https://scikit-learn.org/ (EN)
scipy.stats documentation [online]. SciPy Developers, 2001–2025. Dostupné z: https://docs.scipy.org/ (EN)
TensorFlow documentation [online]. Google, 2015–2025. Dostupné z: https://www.tensorflow.org/ (EN)

Zařazení předmětu ve studijních plánech

  • Program B-FIN-P bakalářský 3 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

13 hod., nepovinná

Vyučující / Lektor

doc. Ing. Miroslav Bartošík, Ph.D.

Osnova

OsnovaTýden 1: Úvod do analýzy dat a workflow – přehled ML a AI ve fyzice, opakování Pandas a Matplotlib, typy dat, workflow analýzy, pravděpodobnost
Týden 2: Statistická analýza dat – průměr, rozptyl, distribuce, histogramy, odhady nejistot
Týden 3: Odhad parametrů a metoda maximální věrohodnosti (MLE) – likelihood, log-likelihood, numerické hledání maxima, aplikace na fyzikální data
Týden 4: Testování statistických hypotéz – principy testování, p-hodnota, významnost, t-test, χ²-test, test shody měření
Týden 5: Regresní metody – lineární a nelineární regrese, metoda nejmenších čtverců, vztah k MLE, kvalita fitu
Týden 6: Klasifikace dat: Naivní Bayes a podpůrné vektorové stroje (SVM) – supervised learning, kernelové funkce, aplikace ve fyzice
Týden 7: Metody clusteringu a PCA – neřízené učení, k-means, PCA – redukce dimenze, vizualizace fyzikálních dat
Týden 8: Neuronové sítě – architektura perceptronu, aktivační funkce, trénování, TensorFlow/Keras
Týden 9: Regrese a klasifikace pomocí neuronových sítí – predikce fyzikálních veličin, regularizace, overfitting
Týden 10: Bayesovské modelování – Bayesova inference, MAP odhad, vztah k MLE, interpretace ve fyzice
Týden 11: Reinforcement Learning (základy) – agent, prostředí, odměna, jednoduché simulace RL (např. stabilizace kyvadla)
Týden 12: Projekt: Analýza fyzikálních dat pomocí ML/AI – samostatná nebo týmová práce, prezentace a interpretace výsledků

Cvičení

13 hod., povinná

Vyučující / Lektor

doc. Ing. Miroslav Bartošík, Ph.D.

Osnova

Studenti řěší úkoly definované v teoretické části výuky.