|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KDMML / YBVIN
:
Popis předmětu
Pracoviště / Zkratka
|
KDMML
/
YBVIN
|
Akademický rok
|
2020/2021
|
Akademický rok
|
2020/2021
|
Název
|
Výpočetní inteligence
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
4
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
12
[HOD/SEM]
|
Zápočet před zkouškou
|
Ne
|
Zápočet před zkouškou
|
Ne
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
ANO
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
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
|
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ano
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
A|B|C|D|E|F |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
KDMML/XBVIN
|
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 problematikou výpočetní inteligence (Soft Computing či Computational Intelligence). Předmět je zaměřen na získání znalostí, osvojení si algoritmů, zvládnutí nástrojů a rozvoj dovedností při návrhu a implementaci systémů založených na metodách výpočetní inteligence, tak aby dokázaly pracovat s neurčitostí v datech pro efektivnější řízení a rozhodování.
|
Požadavky na studenta
|
Podmínkou účasti na zkoušce je získání zápočtu. Zápočtem se potvrzuje, že se student zúčastňoval výuky v požadované míře a že splnil požadavky, jimiž bylo udělení zápočtu podmíněno. Podmínky udělení zápočtu určuje vyučující na prvním soustředění v přednáškovém období semestru.
Zkouška z předmětu (písemná a ústní) je stanovena v souladu se Studijním a zkušebním řádem UPa.
|
Obsah
|
1. Ambientní inteligence a společenské dopady
2. Úvod do umělé a výpočetní inteligence
3. Průmysl 4.0 a příklady užití inteligentních systémů
4. Fuzzy logika
5. Fuzzy inferenční systémy
6. Příklad návrhu Mamdaniho fuzzy inferenčního systému
7. Neuronové sítě
8. Příklad návrhu neuronové sítě s učitelem
9. Neuro-fuzzy systémy
10. Klasifikační modely
11. Predikční modely
12. Evoluční algoritmy
13. Nové trendy v oblasti inteligentních systémů
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
-
Základní:
KUNCHEVA, L. I. Fuzzy Classifier Design. A Springer Verlag Company, Germany, 2000. ISBN 80-903024-9.
-
Základní:
POKORNÝ, M. Umělá inteligence v modelování a řízení. Praha: BEN - technická literatura, 1996. ISBN 80-901984-4-9.
-
Základní:
KŘUPKA, J., KAŠPAROVÁ, M. Úvod do teorie systémů. Multimediální opora na CD-ROM, Pardubice, 2007. Pardubice, 2007. ISBN 978-80-7194-955-8.
-
Základní:
OLEJ, V., HÁJEK, P. Úvod do umělé inteligence: moderní přístupy - distanční opora. Pardubice: Univerzita Pardubice, 2010. ISBN 978-80-7395-307-2.
-
Doporučená:
RUSSELL, S., STUART, N. Artificial intelligence: A modern approach. Harlow: Pearson Education, 2014. ISBN 9780136042594.
-
Doporučená:
KŘUPKA, J., KAŠPAROVÁ, M. Modelování v kostce pro Matlab a Simulink distanční opora. Pardubice: Univerzita Pardubice, 2009. ISBN 978-80-7395-162-7.
|
Časová náročnost
|
Kombinovaná forma studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Kontaktní výuka
|
12
|
Celkem
|
12
|
|
Předpoklady - další informace k podmíněnosti studia předmětu |
- |
Získané způsobilosti |
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 MATLAB-u.
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.
|
Vyučovací metody |
- Monologická (výklad, přednáška, instruktáž)
- Dialogická (diskuze, rozhovor, brainstorming)
- Metody samostatných akcí
- Laborování
|
Hodnotící metody |
- Ústní zkouška
- Písemná zkouška
- Analýza výkonu studenta
- Rozbor produktů pracovní činnosti studenta
|
|
|
|