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

Garantující katedra	Katedra aplikované informatiky	Kredity	5
Garant předmětu	doc. Dr. Ing. Miroslav Hudec	Garant verze předmětu	prof. Ing. Dušan Marček, CSc.
Úroveň studia	pregraduální nebo graduální	Povinnost	povinný
Ročník	1	Semestr	letní
		Jazyk výuky	čeština
Rok zavedení	2013/2014	Rok zrušení	2020/2021
Určeno pro fakulty	EKF	Určeno pro typy studia	navazující magisterské

Výuku zajišťuje
Os. čís.	Jméno	Cvičící	Přednášející
MAD0032	Ing. Martin Maděra
MAR0011	prof. Ing. Dušan Marček, CSc.

Rozsah výuky pro formy studia
Forma studia	Zp.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
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:

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. MARČEK, D. Comparison of Predictive Statistical Learning Accuracy with Computational Intelligence Methods. Proceedings of 15th IEEE Int. Scientific Conf.on Informatics, Eds. Steingartner et al, Poprad, pp. 254-259, 2019, ISBN 978- 1-7281-3178.

Doporučená literatura:

Gabor K., Kiss, A. Building Neural Networks as Dataflow Graphs. Proceedings of 2019 IEEE 15th International Scientific Conference on Informatics, Informatics 2019, pp. 216-221, ISBN: 978-1-7281-3178-8. 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. 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.

Forma způsobu ověření studijních výsledků a další požadavky na studenta

Zkouška z vybraných támat

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, platnost do: 2020/2021 letní semestr)

Název úlohy	Typ úlohy	Max. počet bodů (akt. za podúlohy)	Min. počet bodů	Max. počet pokusů
Zápočet a zkouška	Zápočet a zkouška	100 (100)	51
Zápočet	Zápočet	45	25
Zkouška	Zkouška	55	26	3

Rozsah povinné účasti:

Zobrazit historii

Podmínky absolvování předmětu a účast na cvičeních v rámci ISP:

Zobrazit historii

Výskyt ve studijních plánech

Akademický rok	Program	Obor/spec.	Spec.	Forma	Jazyk výuky	Konz. stř.	Ročník	Typ 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 bloku	Akademický rok	Forma studia	Jazyk výuky	Ročník	Z	L	Typ bloku	Vlastník bloku

Hodnocení Výuky