|
|
Main menu for Browse IS/STAG
Course info
USII / CUVI2
:
Course description
Department/Unit / Abbreviation
|
USII
/
CUVI2
|
Academic Year
|
2023/2024
|
Academic Year
|
2023/2024
|
Title
|
Artificial and Computat. Intelligence II
|
Form of course completion
|
Examination
|
Form of course completion
|
Examination
|
Long Title
|
Artificial and Computational Intelligence II
|
Accredited / Credits
|
Yes,
5
Cred.
|
Type of completion
|
Written
|
Type of completion
|
Written
|
Time requirements
|
Konzultace
14
[Hours/Semester]
|
Course credit prior to examination
|
Yes
|
Course credit prior to examination
|
Yes
|
Automatic acceptance of credit before examination
|
No
|
Included in study average
|
YES
|
Language of instruction
|
Czech
|
Occ/max
|
|
|
|
Automatic acceptance of credit before examination
|
No
|
Summer semester
|
0 / -
|
0 / -
|
0 / -
|
Included in study average
|
YES
|
Winter semester
|
0 / -
|
0 / -
|
0 / -
|
Repeated registration
|
NO
|
Repeated registration
|
NO
|
Timetable
|
Yes
|
Semester taught
|
Summer semester
|
Semester taught
|
Summer semester
|
Minimum (B + C) students
|
not determined
|
Optional course |
Yes
|
Optional course
|
Yes
|
Language of instruction
|
Czech
|
Internship duration
|
0
|
No. of hours of on-premise lessons |
14
|
Evaluation scale |
A|B|C|D|E|F |
Periodicity |
každý rok
|
Evaluation scale for credit before examination |
S|N |
Periodicita upřesnění |
|
Fundamental theoretical course |
No
|
Fundamental course |
Yes
|
Fundamental theoretical course |
No
|
Evaluation scale |
A|B|C|D|E|F |
Evaluation scale for credit before examination |
S|N |
Substituted course
|
USII/KUVI1
|
Preclusive courses
|
N/A
|
Prerequisite courses
|
N/A
|
Informally recommended courses
|
N/A
|
Courses depending on this Course
|
N/A
|
Histogram of students' grades over the years:
Graphic PNG
,
XLS
|
Course objectives:
|
|
Requirements on student
|
Zápočet: zpracování zadaných úloh s minimálně 60% úspěšností, úspěšné obhájení dvou praktických projektů.
Zkouška: písemná s minimálně 60% úspěšností.
|
Content
|
Biologické základy metod umělé a výpočetní inteligence.
Fuzzy množina, jazyková proměnná, funkce příslušnosti.
Fuzzy logika a fuzzy rezoluční princip.
Fuzzy inferenční systémy.
Fuzzy expertní systémy a fuzzy Prolog.
Bayesovské sítě.
Modely neuronových sítí a přístupy k jejich učení.
Rekurentní neuronové sítě.
Hluboké neuronové sítě.
Neuronové sítě s učením bez učitele.
Úvod do evolučních stochastických optimalizačních algoritmů, genetický algoritmus.
Genetické programování, diferenciální evoluce, inteligence roje.
Hybridní systémy - fuzzy logické neuronové sítě, evoluční neuronové sítě a evoluční fuzzy systémy.
Návrh báze znalostí znalostních a expertních systémů.
Programování znalostních a expertních systémů.
Příklad znalostních systémů pro řízení a rozhodování.
|
Activities
|
|
Fields of study
|
|
Guarantors and lecturers
|
|
Literature
|
-
Basic:
KRUSE, R. a kol. Computational intelligence: A methodological introduction. London: Springer, 2013. ISBN 978-1-4471-5849-3.
-
Basic:
ENGELBRECHT, A. P. Computational intelligence: An introduction. Chichester: John Wiley & Sons, 2007. ISBN 978-0470035610.
-
Basic:
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ J. Umělá inteligence 4. Praha: Academia, 2003. ISBN 9788020010445.
-
Basic:
OLEJ, V., HÁJEK, P. Úvod do umělé inteligence: moderní přístupy - distanční opora. Pardubice: Univerzita Pardubice, 2010. ISBN 978-80-7395-307-2.
-
Recommended:
ZELINKA, I. Evoluční výpočetní techniky: principy a aplikace. Praha: BEN - technická literatura, 2009. ISBN 9788073002183.
-
Recommended:
HYNEK, J. Genetické algoritmy a genetické programování. Praha: Grada, 2008. ISBN 978-80-247-2695-3.
-
Recommended:
BERKA, P. Inteligentní systémy. Praha: Oeconomica, 2008. ISBN 80-200-0496-3.
|
Time requirements
|
All forms of study
|
Activities
|
Time requirements for activity [h]
|
Kontaktní výuka
|
14
|
Domácí příprava na výuku
|
66
|
Příprava na zkoušku
|
30
|
Individual project
|
40
|
Total
|
150
|
|
Prerequisites - other information about course preconditions |
- |
Competences acquired |
Student, který úspěšně absolvoval předmět, umí:
vysvětlit, jaké jsou biologické základy metod umělé a výpočetní inteligence;
charakterizovat a rozlišit pravděpodobnostní a fuzzy přístupy ke zpracování neurčitosti;
popsat strukturu a chování fuzzy inferenčních systémů;
kategorizovat a porovnat různé modely neuronových sítí;
charakterizovat evoluční stochastické optimalizační algoritmy a rozlišit jednotlivé algoritmy;
porovnat výhody a nevýhody metod umělé a výpočetní inteligence.
Student, který úspěšně absolvoval předmět, dovede:
odvozovat znalosti pomocí inferenčních pravidel výrokové fuzzy logiky a predikátové fuzzy logiky prvního řádu;
navrhnout bázi znalostí fuzzy expertního systému v logickém programovacím jazyku;
pro danou úlohu navrhnout vhodnou strukturu neuronové sítě a naučit ji na předzpracovaných strukturovaných i nestrukturovaných datech;
navrhnout účelovou funkci a optimalizovat úlohu pomocí evolučních stochastických optimalizačních algoritmů;
navrhnout hybridní inteligentní systém využívající výhod kombinace různých metod umělé a výpočetní inteligence.
Student, který úspěšně absolvoval předmět, je schopen:
samostatně a odpovědně se rozhodovat na základě rámcového zadání a brát v úvahu složitost, omezení a neurčitost spojenou s tímto rozhodováním;
samostatně získávat další odborné znalosti, dovednosti a způsobilosti v příbuzných disciplínách;
srozumitelně a přesvědčivě sdělovat odborníkům z oblasti veřejné správy i širší veřejnosti vlastní odborné názory.
|
Teaching methods |
- Monologic (reading, lecture, briefing)
- Dialogic (discussion, interview, brainstorming)
- Laboratory work
|
Assessment methods |
- Written examination
- Home assignment evaluation
- Discussion
|
|
|
|