155-1305/01 – Soft Computing v ekonomice (SCE)

Garantující katedraKatedra aplikované informatikyKredity5
Garant předmětuprof. Ing. Dušan Marček, CSc.Garant verze předmětuprof. Ing. Dušan Marček, CSc.
Úroveň studiapregraduální nebo graduálníPovinnostpovinný
Ročník1Semestrletní
Jazyk výukyčeština
Rok zavedení2013/2014Rok zrušení
Určeno pro fakultyEKFUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
MAD0032 Ing. Martin Maděra
MAR0011 prof. Ing. Dušan Marček, CSc.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Zápočet a zkouška 2+1

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
Individuální konzultace

Anotace

1. Úvod do NS a SC, přehled aplikací UNS v řízení podniků a institucí funkční a matematický model, základní principy učení. 2. Jednovrstvé sítě, perceptron – učící pravidlo, adaptace vah lineárního a nelineárního neuronu. 3. Vícevrstvé sítě, architektury, gradientní metody učení, Back-propagation algoritmus. 4. Učící metody založené na heuristikách. 5. Modelování a predikce ekonomických/finančních časových řad pomocí sítí perceptronového typu. 6. Rekurentní sítě, RTL učení, aplikace v ekonomice na dynamické systémy, aplikace. 7. Sítě s nekontrolovaným učením, architektury, Hebbovo a kompetitivní učení. 8. Samoorganizující mapy - SOM sítě, architektura, učení, aplikace v rozhodování. 9. Sítě založené na adaptivní rezonanční teorii – ART a fuzzy ART sítě, architektury, učení. 10. RBF sítě, architektura, metody učení. 11. Hybridní neuronové sítě, architektury, učení založené na konceptu opravy chybou. 12. Principy granulárního počítání (GC) a cloud konceptu. 13. Sítě, typu asociatívní paměti, architektura a učení, vyhledávání informací. 14. Aktuální trendy v kontextu pravděpodobnostního versus inteligentního (soft) počítání.

Povinná literatura:

MARČEK, Dušan. Pravdepodobnostné modelovanie a soft computing v ekonomike. VŠB-TU Ostrava, 2013. 300 s. ISBN 978-80-248-2955-5. MARČEK Dušan. Supervizované a nesupervizované učení z dat: statistický a soft přístup. SAEI, vol. 45/2016, Ostrava: VŠB-TU Ostrava, 2016. 234 s. ISBN: 978-80-248-3884-7. MARČEK, Dušan a MARČEK, Milan. Neuronové siete a ich aplikácie. Žilina: EDIS ŽU, 2006. 223 s. ISBN 80-8070-497-X.

Doporučená literatura:

MARČEK, Dušan a Milan MARČEK. Analýza, modelování a prognózovaní časových řad s aplikacemi v ekonomice. EDIS ŽU, 2001. ISBN 80-7100-870-2. NIELSEN, Michael. Neural Networks and Deep Learning, Determination Press, 2015, http://neuralnetworksanddeeplearning.com/ KECMAN, V. Learning and soft computing: support vector machines, neural networks, and fuzzy logic. (Massachusetts, The MIT Press, 2001). ISBN 0-262-11255-8.

Forma způsobu ověření studijních výsledků a další požadavky na studenta

E-learning

Další požadavky na studenta

Řešením problematiky modelování ekonomických a finančních procesů s využitím NS 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

Prezenční forma (platnost od: 2013/2014 letní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodů
Zápočet a zkouška Zápočet a zkouška 100 (100) 51
        Zápočet Zápočet 45  25
        Zkouška Zkouška 55  26
Rozsah povinné účasti:

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.FormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2019/2020 (N6209) Systémové inženýrství a informatika (6209T017) Informatika v ekonomice P čeština Ostrava 1 povinný stu. plán
2018/2019 (N6209) Systémové inženýrství a informatika (6209T017) Informatika v ekonomice P čeština Ostrava 1 povinný stu. plán
2017/2018 (N6209) Systémové inženýrství a informatika (6209T017) Informatika v ekonomice P čeština Ostrava 1 povinný stu. plán
2016/2017 (N6209) Systémové inženýrství a informatika (6209T017) Informatika v ekonomice P čeština Ostrava 1 povinný stu. plán
2015/2016 (N6209) Systémové inženýrství a informatika (6209T017) Informatika v ekonomice P čeština Ostrava 1 povinný stu. plán
2014/2015 (N6209) Systémové inženýrství a informatika (6209T025) Systémové inženýrství a informatika P čeština Ostrava 1 povinný stu. plán
2013/2014 (N6209) Systémové inženýrství a informatika (6209T025) Systémové inženýrství a informatika P čeština Ostrava 1 povinný stu. plán
2013/2014 (N6209) Systémové inženýrství a informatika (6209T025) Systémové inženýrství a informatika (00) Systémové inženýrství a informatika P čeština Ostrava 1 povinný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku