|
Vyučující
|
-
Doležel Petr, prof. Ing. Ph.D.
|
|
Obsah předmětu
|
V rámci předmětu budou prohloubeny znalosti v oblasti nejčastěji používaných paradigmat umělých neuronových sítí (dopředná vícevrstvá umělá neuronová síť, samoorganizující se mapy, konvoluční síť) a studenti budou seznámeni s pokročilými algoritmy jejich učení. Vlastnosti těchto paradigmat budou demonstrovány zejména na příkladech aplikací pro modelování a řízení dynamických systémů, ale částečně také při zpracování audiovizuálních dat, klasifikaci a rozhodování. Studenti v rámci předmětu navíc samostatně zpracují komplexní úlohu řešící použití umělé neuronové sítě na vybraný problém z oblasti řízení procesů, přičemž síť bude validována na reálném laboratorním zařízení. Hlavní témata předmětu: *Dopředná vícevrstvá umělá neuronová síť (FFNN) - topologie, postup návrhu, vlastnosti, gradientní algoritmy učení, Levenbergův-Marquardtův algoritmus učení, možnosti paralelizace řešení při učení, modelování dynamických systémů pomocí FFNN, nejčastější přístupy k řízení dynamických systémů pomocí FFNN *Neuronové sítě typu samoorganizační mapa (SOM) - topologie, postup návrhu, vlastnosti, shluková analýza dat pomocí SOM *Konvoluční neuronová síť (CNN) - topologie, postup návrhu, vlastnosti, implementace gradientních algoritmů pro učení CNN, využití speciálního hardware pro implementaci CNN, komprimace dat pomocí CNN, klasifikace objektů v obrazových datech pomocí CNN
|
|
Studijní aktivity a metody výuky
|
|
Monologická (výklad, přednáška, instruktáž), Metody samostatných akcí, Laborování
|
|
Výstupy z učení
|
V rámci předmětu budou prohloubeny znalosti v oblasti nejčastěji používaných paradigmat umělých neuronových sítí (dopředná vícevrstvá umělá neuronová síť, samoorganizující se mapy, konvoluční síť) a studenti budou seznámeni s pokročilými algoritmy jejich učení.
|
|
Předpoklady
|
nespecifikováno
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška, Písemná zkouška, Posouzení zadané práce
Student absolvuje minimálně 3 konzultace během semestru s vyučujícím předmětu týkající se teoretické náplně předmětu. Student absolvuje minimálně 1 konzultaci týkající se zadané praktické práce. V rámci praktické práce student vybuduje a zdokumentuje umělou neuronovou síť řešící vybraný problém z oblasti řízení procesů. Síť bude validována na reálném laboratorním zařízení.
|
|
Doporučená literatura
|
-
Goodfellow, I.; Bengio, Y.; Courville, A. Deep learning. Cambridge: The MIT Press, 2016. ISBN 978-0-262-03561-3.
-
Haykin, Simon S. Neural networks and learning machines. Upper Saddle River: Prentice Hall, 2009. ISBN 978-0-13-147139-9.
-
KVASNIČKA, V. a kol. Úvod do teórie neurónových sietí.. Bratislava: IRIS, 1997. ISBN 80-88778-30-1.
-
Nguyen, Hung T. A first course in fuzzy and neural control. Boca Raton: Chapman & Hall, 2003. ISBN 1-58488-244-1.
-
VONDRÁK, I. Umělá inteligence a neuronové sítě. Ostrava: VŠB - TU Ostrava, 2009. ISBN 978-8-02-481981-5.
|