|
Lecturer(s)
|
-
Křupka Jiří, doc. Ing. PhD.
|
|
Course content
|
1. Ambient intelligence and social impacts. 2. Introduction to artificial intelligence and soft computing. 3. Industry 4.0 and examples of the use of intelligent systems. 4. Fuzzy logic. 5. Fuzzy inference systems. 6. Example of Mamdani fuzzy inference system design. 7. Artificial Neural networks. 8. Example of artificial neural network design with supervised learning. 9. Neuro-fuzzy systems. 10. Classification models. 11. Prediction models. 12. Evolutionary algorithms.
|
|
Learning activities and teaching methods
|
Monologic (reading, lecture, briefing), Dialogic (discussion, interview, brainstorming), Laboratory work
- Preparation for a credit (assessment)
- 26 hours per semester
- Independent critical reading
- 20 hours per semester
- Home preparation for classes
- 26 hours per semester
- Preparation of a presentation (report)
- 12 hours per semester
- Preparation for an exam
- 32 hours per semester
- Contact teaching
- 52 hours per semester
|
|
Learning outcomes
|
The course aim is to introduce students with the issues of Soft Computing (Computational Intelligence). The course is focused on acquiring knowledge, mastering algorithms, mastering tools and developing skills in the design and implementation of systems based on computational intelligence methods so that they can work with uncertainty in data for more effective management and decision-making.
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 MATLABu. 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.
|
|
Prerequisites
|
unspecified
|
|
Assessment methods and criteria
|
Oral examination, Written examination, Student performance assessment, Work-related product analysis
|
|
Recommended literature
|
-
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.
|