|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KRP / NNUI2
:
Popis předmětu
Pracoviště / Zkratka
|
KRP
/
NNUI2
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Základy umělé inteligence 2
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
5
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
2
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ano
|
Zápočet před zkouškou
|
Ano
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
5 / -
|
15 / 29
|
0 / 0
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
0 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Letní semestr
|
Vyučovaný semestr
|
Letní semestr
|
Minimum (B + C) studentů
|
nestanoveno
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
0
|
Hodnotící stupnice |
A|B|C|D|E|F |
Periodicita |
každý rok
|
Hodnotící stupnice pro zp. před zk. |
S|N |
Periodicita upřesnění |
|
Základní teoretický předmět |
Ano
|
Profilující předmět |
Ano
|
Základní teoretický předmět |
Ano
|
Hodnotící stupnice |
A|B|C|D|E|F |
Hodnotící stupnice pro zp. před zk. |
S|N |
Nahrazovaný předmět
|
KRP/INUI2
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
Nejsou definovány
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Cílem předmětu je seznámit studenty s moderními metodami stochastické optimalizace a se základními paradigmaty umělých neuronových sítí a jejich praktickou implementací.
|
Požadavky na studenta
|
Zpracování závěrečného projektu, ve kterém bude řešen soubor problémů z probírané problematiky.
|
Obsah
|
1. Optimalizace, stochastické optimalizační algoritmy, členění, definice pojmů, benchmarkové systémy.
2. Slepé prohledávání, stochastický horolezecký algoritmus, zakázané prohledávání, simulované žíhání.
3. Evoluční algoritmy I - přehled metod, mravenčí kolonie, genetický algoritmus.
4. Evoluční algoritmy II - diferenciální evoluce, hybridní algoritmy.
5. Umělé neuronové sítě, členění, definice pojmů. Učení.
6. Jednoduchý perceptron.
7. Hopfieldova síť.
8. Kohohenova samoorganizační mapa.
9. Vícevrstvý perceptron I - definice topologie, algoritmus zpětného šíření chyby.
10. Vícevrstvý perceptron II - Levenbergův-Marquardtův algoritmus učení, použití pro aproximační úlohy.
11. Vícevrstvý perceptron III - použití pro modelování dynamických systémů, použití pro aproximaci, použití pro řízení procesů.
12. Konvoluční sít.
13. Ukázky využití optimalizace a umělých neuronových sítí v průmyslové praxi.
|
Aktivity
|
|
Studijní opory
|
V případě mimořádných opatření bude výuka probíhat vzdáleně s využitím programu MS Teams v době dle rozvrhu. Účast na schůzkách skupiny v MS Teams je ekvivalentní účasti na přednáškách a cvičeních.
In the case of distance learning, lessons will be tought trough MS Teams. Lessons will be at the time shown in the timetable. MS Teams is equivalent to participation and or attendens in lectures and excersises.
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
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.
-
Základní:
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.
-
Základní:
Zelinka, Ivan. Evoluční výpočetní techniky : principy a aplikace. Praha: BEN - technická literatura, 2009. ISBN 978-80-7300-218-3.
-
Základní:
Haykin, Simon S. Neural networks and learning machines. Upper Saddle River: Prentice Hall, 2009. ISBN 978-0-13-147139-9.
-
Základní:
Škrabánek, Pavel. Teorie fuzzy množin a jejich aplikace (online).. Univerzita Pardubice, 2014. ISBN 978-80-7395-875-6.
-
Základní:
OLEJ, V., HÁJEK, P. Úvod do umělé inteligence: moderní přístupy - distanční opora. Pardubice: Univerzita Pardubice, 2010. ISBN 978-80-7395-307-2.
-
Základní:
Úvod do umělých neuronových sítí
(Doležel, Petr)
-
Doporučená:
Nguyen, Hung T. A first course in fuzzy and neural control. Boca Raton: Chapman & Hall, 2003. ISBN 1-58488-244-1.
|
Časová náročnost
|
Prezenční forma studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Kontaktní výuka
|
52
|
Projekt individuální
|
55
|
Domácí příprava na výuku
|
26
|
Příprava na zkoušku
|
17
|
Celkem
|
150
|
|
Předpoklady - další informace k podmíněnosti studia předmětu |
Předpokládají se znalosti programování a teorie grafů. |
Získané způsobilosti |
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.
|
Vyučovací metody |
- Monologická (výklad, přednáška, instruktáž)
- Metody samostatných akcí
|
Hodnotící metody |
- Ústní zkouška
- Posouzení zadané práce
|
|
|
|