|
Vyučující
|
-
Štursa Dominik, Ing. Ph.D.
-
Doležel Petr, prof. Ing. Ph.D.
|
|
Obsah předmětu
|
Témata přednášek po týdnech semestru: 1. Umělé neuronové sítě - úvod, historie, základní pojmy. 2. Jednoduchý perceptron. 3. Hopfieldova síť. 4. Kohohenova samoorganizační mapa. 5. Vícevrstvý perceptron I - definice topologie, algoritmus zpětného šíření chyby. 6. Vícevrstvý perceptron II - Levenbergův-Marquardtův algoritmus učení, použití pro aproximační úlohy. 7. Vícevrstvý perceptron III - použití pro modelování dynamických systémů, použití pro řízení procesů. 8. Konvoluční síť - základní pojmy a topologie. 9. Konvoluční síť - klasifikace. 10. Konvoluční síť - detekce. 11. Konvoluční síť - instanční a sémantická segmentace. 12. Generativní soupeřící sítě pro generovaní obrazu. 13. Využití v průmyslových aplikacích. Témata přednášek po týdnech semestru: 1. Úvod do softwarových nástrojů. 2. Jednoduchý perceptron. 3. Hopfieldova síť. 4. Kohohenova samoorganizační mapa. 5. Vícevrstvý perceptron I - implementace topologie. 6. Vícevrstvý perceptron II - implementace algoritmu zpětného šíření chyby. 7. Vícevrstvý perceptron III - použití pro regresi, aproximaci a predikci. 8. Konvoluční síť - základní pojmy a topologie. 9. Konvoluční síť - klasifikace. 10. Konvoluční síť - detekce. 11. Konvoluční síť - instanční a sémantická segmentace. 12. Generativní soupeřící sítě pro generovaní obrazu. 13. Aplikace pro kontrolu kvality ve výrobě.
|
|
Studijní aktivity a metody výuky
|
Monologická (výklad, přednáška, instruktáž), Metody samostatných akcí
- Kontaktní výuka
- 20 hodin za semestr
- Projekt individuální
- 55 hodin za semestr
- Příprava na zkoušku
- 17 hodin za semestr
- Domácí příprava na výuku
- 58 hodin za semestr
|
|
Výstupy z učení
|
Cílem předmětu je seznámit studenty se základními paradigmaty umělých neuronových sítí a jejich praktickou implementací.
Student po absolvování předmětu prokazuje znalosti a schopnosti v oblastech optimalizace pomocí stochastických optimalizačních metod, rozumí rozličným topologiím umělých neuronových sítí a dokáže tyto znalosti aplikovat na řešení inženýrských problémů.
|
|
Předpoklady
|
Předpokládají se znalosti programování a teorie grafů.
|
|
Hodnoticí metody a kritéria
|
Ústní zkouška, Posouzení zadané práce
Zpracování závěrečného projektu, ve kterém bude řešen soubor problémů z probírané problematiky.
|
|
Doporučená literatura
|
-
Haykin, Simon S. Neural networks and learning machines. Upper Saddle River: Prentice Hall, 2009. ISBN 978-0-13-147139-9.
-
LAWLESS, William, Ranjeey MUTTU, Donald; SOFGE, Ira S. MISKOWITZ a Stephen RUSSELL. Artiticial Intellignece for the Internet of Everything. London: Elsevier, 2019. ISBN 978-0-1281-7636-8.
-
LUCCI, Stephen a Danny KOPEC. Artificial Intelligence in the 21st Centruy. 2nd Edition. Herndon: Mercury Learning and Information, 2016. ISBN 978-1-942270-00-3.
-
Nguyen, Hung T. A first course in fuzzy and neural control. Boca Raton: Chapman & Hall, 2003. ISBN 1-58488-244-1.
-
Olej, Vladimír. Úvod do umělé inteligence : moderní přístupy : distanční opora. Pardubice: Univerzita Pardubice, 2010. ISBN 978-80-7395-307-2.
-
Škrabánek, Pavel. Teorie fuzzy množin a jejich aplikace (online).. Pardubice: Univerzita Pardubice, 2014. ISBN 978-80-7395-875-6.
-
Zelinka, Ivan. Evoluční výpočetní techniky : principy a aplikace. Praha: BEN - technická literatura, 2009. ISBN 978-80-7300-218-3.
|