450-6023/01 – Metody strojového učení pro vestavěné systémy (MSUVS)
Garantující katedra | Katedra kybernetiky a biomedicínského inženýrství | Kredity | 10 |
Garant předmětu | prof. Ing. Michal Prauzek, Ph.D. | Garant verze předmětu | prof. Ing. Michal Prauzek, Ph.D. |
Úroveň studia | postgraduální | Povinnost | povinně volitelný typu B |
Ročník | | Semestr | zimní + letní |
| | Jazyk výuky | čeština |
Rok zavedení | 2021/2022 | Rok zrušení | |
Určeno pro fakulty | FEI, HGF | Určeno pro typy studia | doktorské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Po absolvování předmětu bude student schopen implementace vyučovaných metod strojového učení pro potřeby aplikací vestavěných systémů realizovaných pomocí mikrokontrolérů, mikroprocesorů či hradlových polí. Dále bude student schopen vybranou metodu simulovat a odhadnout její chování v rámci cílové aplikace. V oblasti optimalizačních přístupů bude student schopen aplikovat optimalizační metodu a pomocí tohoto přístupu optimalizovat samotnou implementaci nebo hardwarové prostředky.
Vyučovací metody
Přednášky
Individuální konzultace
Projekt
Anotace
Cílem předmětu Metody strojového učení pro vestavěné systémy je seznámit studenty s aktuálními moderními přístupy v oblasti metod strojového učení, které jsou přímo implementovatelné do výpočetně omezených vestavěných systémů. Studentům jsou rovněž přestaveny možnosti optimalizace vývoje či funkce vestavěných systémů pomocí metod strojového učení. Metody strojového učení se dnes prosazují v mnoha aplikačních oblastech vestavěných systémů a mikrokontrolérů, přičemž se předpokládá, že tento stav se bude pokračovat i v budoucnu. V rámci tohoto předmětu se studenti naučí praktickým aplikacím a uplatnění těchto moderních přístupů v reálné implementaci.
Povinná literatura:
[1] Burkov, Andriy. Machine Learning Engineering. 2020.
[2] Burkov, Andriy. The Hundred-Page Machine Learning Book. 2019.
[3] Mitchell, Tom M. Machine Learning. McGraw Hill, 2017.
[4] Harrington, Peter. Machine learning in action. Manning Publications Co, 2012.
Doporučená literatura:
[1] Embedded deep learning: algorithms, architectures and circuits for always-on neural network processing. Springer Science+Business Media, 2018.
[2] Reinforcement learning. Springer Science+Business Media, 2017.
[3] Eiben, A. E., a J. E. Smith. Introduction to Evolutionary Computing. Springer Verlag, 2015.
[4] Aggarwal, Charu C., a Chandan K. Reddy, editoři. Data clustering: algorithms and applications. Chapman and Hall/CRC, 2014.
[5] CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf PECINOVSKÝ. Knihovna programátora (Grada). Praha: Grada Publishing, 2019.
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
zkouška
E-learning
Další požadavky na studenta
Žádné další požadavky na studenta nejsou kladeny.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Předmět se věnuje oblastem aplikací ve vestavěných systémech s implementovanými metodami:
A) Unsupervised learning - metody učení s učitelem (Shluková analýza …)
B) Supervised learning - metody učení bez učitele (Support vector machines, linerání regrese, rozhodovací stromy, algoritmus k-nejbližších sousedů, neuronové sítě …)
C) Semi-supervised learning – metody zpětnovazební učení (Markovův rozhodovací proces, Q-learning …)
Z hlediska progresivní optimalizace funkce a návrhu vestavěných systémů jsou vyučovány bio-inspirované metody z řady evolučních algoritmů (genetické algoritmy, diferenční evoluce apod.) či další přístupy jako například optimalizace hejnem částic.
Aplikační oblasti předmětu jsou zúženy na nasazení v oblasti Internet-of-Things zařízení, ultra-low power zařízení se získávání energie z prostředí, senzorických systémů, aplikací spojených s koncepcí Průmyslu 4.0, SmartCities a SmartMetering.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky
Předmět neobsahuje žádné hodnocení.