155-1305/03 – Soft Computing v ekonomice (SCE)
| Garantující katedra | Katedra aplikované informatiky | Kredity | 6 |
| Garant předmětu | doc. Dr. Ing. Miroslav Hudec | Garant verze předmětu | doc. Dr. Ing. Miroslav Hudec |
| Úroveň studia | pregraduální nebo graduální | Povinnost | povinný |
| Ročník | 1 | Semestr | zimní |
| | Jazyk výuky | čeština |
| Rok zavedení | 2018/2019 | Rok zrušení | |
| Určeno pro fakulty | EKF | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
1. Získat základní znalosti o SC informačních technologiích
2. Pochopit úlohu a uplatnění kontrolovaného a nekontrolovaného učení
3. Pochopit tvorbu architektur NS pro ekonomické aplikace
4. Pochopit tvorbu a uplatnění SOM sítí v rozhodování
5. Seznámit se s problematikou učícího stroje SVM
Vyučovací metody
Přednášky
Cvičení (v učebně)
Projekt
Anotace
Cílem předmětu je pochopení a využití stochastických a inteligentních SC metod v ekonomice při modelování a konstrukci rychlých (flash) předpovědí ekonomických a finančních procesů. Jedná se o metody založené na supervizovaném, nesupervizovaném a hybridním učení z dat, vývoj nových architektur a učení UNS, vývoj a projektování sytémů pro firemní aplikace. Studenti budou schopní diskutovat a zhodnocovat výkonnost inteligentního zpracování informací v porovnání s pravděpodobnostním počítáním.
Povinná literatura:
Doporučená literatura:
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Zápočet:
– aktivní účast na cvičení, předložení tématu projektu do 4. týdne výuky,
- zpracování projektů dle požadované struktury a odevzdání v LMS.
- získání minimálně 23 bodů z 45.
Zkouška:
– písemná část - test
- ústní – obhajoba projektu a ústní otázky z daných okruhů.
E-learning
Další požadavky na studenta
Řešením problematiky modelování ekonomických a finančních procesů s využitím UNS, ART sítě a SVM.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
1. Úvod do NS a SC, matematický model, základní principy učení.
2. Jednovrstvé sítě, perceptron - učící pravidlo, adaptace vah lineárního neuronu.
3. Vícevrstvé sítě, architektury, Backpropagation algoritmus.
4. Modelování a predikce ekonomických/finančních časových řad pomocí sítí perceptronového typu.
5. Asociativní paměti, aplikace na řešení ekonomických úloh.
6. Rekurentní sítě, RTL učení, aplikace v ekonomice na dynamické systémy.
7. RBF sítě, architektura, metody učení.
8. Sítě s nekontrolovaným učením, kompetitivní učení a data mining.
9. Samoorganizující mapy - SOM sítě, architektura, učení, aplikace v rozhodováni.
10. Hybridní neuronové sítě, architektury a učení.
11. Vývoj modelování NS, aplikace v ekonomice a financích.
12. Strojové učení, aplikace na klasifikaci dat.
13. Strojové učení, model SV regrese, aplikace na modelování vysokofrekvenčních finančních časových řad.
14. Principy granulárního počítání (GC) a cloud koncept, aktuální trendy v kontextu pravděpodobnostního versus inteligentního (soft) počítání.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky