155-1305/02 – Soft Computing v ekonomice (SCE)

Garantující katedraKatedra aplikované informatikyKredity4
Garant předmětuprof. Ing. Dušan Marček, CSc.Garant verze předmětuprof. Ing. Dušan Marček, CSc.
Úroveň studiapregraduální nebo graduální
Jazyk výukyčeština
Rok zavedení2014/2015Rok zrušení2020/2021
Určeno pro fakultyEKFUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
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
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

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

Podmínky absolvování jsou definovány pouze pro konkrétní verzi předmětu a formu studia

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2015/2016 (N6209) Systémové inženýrství a informatika (6209T025) Systémové inženýrství a informatika P čeština Ostrava 1 povinný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku
Blok předmětů bez studijního plánu - EKF - P - cs 2016/2017 prezenční čeština volitelný odborný EKF - Ekonomická fakulta stu. blok