|
Vyučující
|
-
Křupka Jiří, doc. Ing. PhD.
|
|
Obsah předmětu
|
1. Ambientní inteligence a společenské dopady 2. Úvod do umělé a výpočetní inteligence 3. Průmysl 4.0 a příklady užití inteligentních systémů 4. Fuzzy logika 5. Fuzzy inferenční systémy 6. Příklad návrhu Mamdaniho fuzzy inferenčního systému 7. Neuronové sítě 8. Příklad návrhu neuronové sítě s učitelem 9. Neuro-fuzzy systémy 10. Klasifikační modely 11. Predikční modely 12. Evoluční algoritmy 13. Nové trendy v oblasti inteligentních systémů
|
|
Studijní aktivity a metody výuky
|
Monologická (výklad, přednáška, instruktáž), Dialogická (diskuze, rozhovor, brainstorming), Metody samostatných akcí, Laborování
- Kontaktní výuka
- 12 hodin za semestr
|
|
Výstupy z učení
|
Cílem předmětu je seznámit studenty s problematikou výpočetní inteligence (Soft Computing či Computational Intelligence). Předmět je zaměřen na získání znalostí, osvojení si algoritmů, zvládnutí nástrojů a rozvoj dovedností při návrhu a implementaci systémů založených na metodách výpočetní inteligence, tak aby dokázaly pracovat s neurčitostí v datech pro efektivnější řízení a rozhodování.
Student, který úspěšně absolvoval předmět, umí: - charakterizovat ambientní, umělou a výpočetní inteligence a popsat jejich základní charakteristiky; - definovat matematické modely fuzzy inferenční systémů, systémů na bázi umělých neuronových sítí a evolučních algoritmů; - rozlišit a vysvětlit pojetí systémů pro klasifikaci a predikci; - vysvětlit skladbu modelu v MATLAB\Fuzzy Logic Toolbox, MATLAB\Neural Network Toolbox a tvorbu M-filů v MATLAB-u. Student, který úspěšně absolvoval předmět, dovede: - řešit složitější úlohy v oblasti řízení a rozhodování s důrazem na modely založené na výpočetní inteligenci; - rozpoznat vhodný matematický model pro danou oblast řešení problému; - vytvořit návrh různých tříd modelů řízení a rozhodování; - ovládat základní prostředí MATLAB, MATLAB\Fuzzy Logic Toolbox, MATLAB\Neural Network Toolbox a Simulink. Student, který úspěšně absolvoval předmět, je schopen: - srozumitelně sdělovat odborníkům i laikům informace o povaze a zákonitostech klasifikačních a predikčních modelů využívajících fuzzy logiku, umělé neuronové sítě a evoluční algoritmy v oblasti řízení a rozhodování; - vytvořit matematický model a ten následně v MATLAB\Simulink-u realizovat a analyzovat; - shrnout a srozumitelně prezentovat matematický model a dosažené výsledky ze simulačního nástroje; - samostatně získávat další odborné znalosti, dovednosti a způsobilosti v dané oblasti.
|
|
Předpoklady
|
nespecifikováno
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška, Písemná zkouška, Analýza výkonu studenta, Rozbor produktů pracovní činnosti studenta
Podmínkou účasti na zkoušce je získání zápočtu. Zápočtem se potvrzuje, že se student zúčastňoval výuky v požadované míře a že splnil požadavky, jimiž bylo udělení zápočtu podmíněno. Podmínky udělení zápočtu určuje vyučující na prvním soustředění v přednáškovém období semestru. Zkouška z předmětu (písemná a ústní) je stanovena v souladu se Studijním a zkušebním řádem UPa.
|
|
Doporučená literatura
|
-
Křupka, J., Kašparová, M. Úvod do teorie systémů - multimediální opora na CD-ROM. Pardubice, 2007. ISBN 978-80-7194-955-8.
-
Křupka, Jiří. Modelování v kostce pro Matlab a Simulink : distanční opora. Pardubice: Univerzita Pardubice, 2009. ISBN 978-80-7395-162-7.
-
KUNCHEVA, L. I. Fuzzy Classifier Design. A Springer Verlag Company: Germany, 2000. ISBN 80-903024-9.
-
Olej, Vladimír. Úvod do umělé inteligence : moderní přístupy : distanční opora. Pardubice: Univerzita Pardubice, 2010. ISBN 978-80-7395-307-2.
-
Pokorný, Miroslav. Umělá inteligence v modelování a řízení. Praha: BEN - technická literatura, 1996. ISBN 80-901984-4-9.
-
Russell, Stuart J. Artificial intelligence : a modern approach. Harlow: Pearson Education, 2014. ISBN 978-1-292-02420-2.
|