450-4049/05 – Aplikovaná umělá inteligence (AUI)
| Garantující katedra | Katedra kybernetiky a biomedicínského inženýrství | Kredity | 5 |
| Garant předmětu | prof. Ing. Martin Černý, Ph.D. | Garant verze předmětu | prof. Ing. Martin Černý, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | | |
| | Jazyk výuky | čeština |
| Rok zavedení | 2022/2023 | Rok zrušení | |
| Určeno pro fakulty | EKF | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Studenti se seznámí se základy vědního oboru umělá inteligence, poznají její nástroje v inženýrských aplikačních oblastech s ohledem na výuku předmětu v daném studijním programu. Seznámí se s metodami syntézy jednoduchých systémů umělé inteligence. Studenti budou schopni praktického použití nástrojů umělé inteligence, návrhů fuzzy expertního systému, umělé neuronové sítě nebo optimalizačního algoritmu s ohledem na aplikace v oblasti jejich studijního zaměření.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Experimentální práce v laboratoři
Anotace
Předmět je prioritně zaměřen na získání znalostí o funkci a možností aplikace metod umělé inteligence v kontextu zaměření jejich studijního programu. Předmět seznámí studenty s vybranými metodami umělé inteligence a zaměří se na jejich praktickou implementaci v jejich inženýrské praxi. Základními oblastmi jsou fuzzy logika a expertní systémy, metody shlukové analýzy a optimalizace, neuronové sítě, rozhodovací stromy a lesy, metody strojového učení bez neuronových sítí, hybridní a speciální metody strojového učení a využití generativní umělé inteligence.
Povinná literatura:
Doporučená literatura:
VOLNÁ,E. Neuronové sítě. Ostravská univerzita, Ostrava. 2008
HYNEK,J. Genetické algoritmy a genetické programování. Grada, 2008. ISBN: 978-80-247-2695-3
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Podmínky zápočtu: (celkem 40 bodů, minimum pro získání zápočtu 21)
20b Realizace fuzzy modelu (protokol nebo SW)
20b Vytvoření vlastního pravidlového systému v prostředí Clips
Podmínky vykonání zkoušky (celkem 60 bodů)
40 bodů písemná/praktická část - realizace fuzzy modelu nebo pravidlového systému v prostředí Clips dle zadání
20 bodů ústní zkouška na teoretické znalosti.
E-learning
Materiály jsou dostupné v https://lms.vsb.cz/.
Konzultace prostřednictvím MS Teams.
Další požadavky na studenta
Povinná účast na cvičeních 80% hodinové dotace.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky
1. Principy a metody umělé inteligence. Metody počítačové reprezentace znalostí a jazykové modelování. Základy fuzzy matematiky a fuzzy logiky.
2. Fuzzy expertní systémy.
3. Fuzzy modely a ANFIS
4. Klasifikace dat: základní metody, principy a aplikace Hierarchické a ne hierarchické metody shlukové analýzy.
5. a 6. Neuronové sítě: základní principy, topologie, typy sítí a aplikace pro klasifikaci a predikci.
7. Metody a aplikace optimalizačních metod.
8. Rozhodovací stromy a lesy, náhodné stromy
9. a 10. Metody strojového učení bez neuronových sítí
11. Speciální metody strojového učení: reinforcement learning, federativní učení, transferové učení, multi-source a multi-view learning
12. Hybridní metody
13. Generativní umělá inteligence a její využití v inženýrské praxi.
Počítačová cvičení
1. Matematické aplikace fuzzy matematiky.
2. Design a realizace fuzzy expertních systémů.
3. Aplikace fuzzy modelování na reálných příkladech.
4. Implementace vybraných klasifikačních algoritmů v kontextuinženýrských aplikací.
5. Design a realizace neuronových sítí v prostředí MATLAB pro řešení klasifikačních a predikčních úkolů.
6. Aplikace optimalizačních technik.
7. Implementace metod shlukovací analýzy pro segmentaci a klasifikaci biomedicínských dat.
8. Implementace metod rozhodovacích stromů
9. Implementace metod strojového učení bez neuronových sítí
10. implementace vybraných speciálních metod strojového učení v inženýrských aplikacích
11. Implementace vybraných hybridních metod v inženýrských aplikacích
12. Experimentárium s generativní umělou inteligencí
13. Zápočtový test
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky