450-6023/02 – Metody strojového učení pro vestavěné systémy (MSUVS)

Garantující katedraKatedra kybernetiky a biomedicínského inženýrstvíKredity10
Garant předmětudoc. Ing. Michal Prauzek, Ph.D.Garant verze předmětudoc. Ing. Michal Prauzek, Ph.D.
Úroveň studiapostgraduálníPovinnostpovinně volitelný typu B
RočníkSemestrzimní + letní
Jazyk výukyangličtina
Rok zavedení2021/2022Rok zrušení
Určeno pro fakultyHGF, FEIUrčeno pro typy studiadoktorské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
KON430 doc. Ing. Jaromír Konečný, Ph.D.
PRA132 doc. Ing. Michal Prauzek, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Zkouška 28+0
kombinovaná Zkouška 28+0

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.

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

Kombinovaná forma (platnost od: 2021/2022 zimní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodůMax. počet pokusů
Zkouška Zkouška   3
Rozsah povinné účasti:

Zobrazit historii

Podmínky absolvování předmětu a účast na cvičeních v rámci ISP:

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2024/2025 (P0714D150002) Kybernetika P angličtina Ostrava povinně volitelný typu B stu. plán
2024/2025 (P0714D150002) Kybernetika K angličtina Ostrava povinně volitelný typu B stu. plán
2023/2024 (P0714D150002) Kybernetika K angličtina Ostrava povinně volitelný typu B stu. plán
2023/2024 (P0714D150002) Kybernetika P angličtina Ostrava povinně volitelný typu B stu. plán
2022/2023 (P0714D150002) Kybernetika P angličtina Ostrava povinně volitelný typu B stu. plán
2022/2023 (P0714D150002) Kybernetika K angličtina Ostrava povinně volitelný typu B stu. plán
2021/2022 (P0714D150002) Kybernetika K angličtina Ostrava povinně volitelný typu B stu. plán
2021/2022 (P0714D150002) Kybernetika P angličtina Ostrava povinně volitelný typu B stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku

Hodnocení Výuky

Předmět neobsahuje žádné hodnocení.