455-0513/01 – Systémy s umělou inteligencí (SsUI)
Garantující katedra | Katedra měřicí a řídicí techniky | Kredity | 4 |
Garant předmětu | prof. Dr. Ing. Miroslav Pokorný | Garant verze předmětu | prof. Dr. Ing. Miroslav Pokorný |
Úroveň studia | pregraduální nebo graduální | Povinnost | volitelný odborný |
Ročník | 3 | Semestr | letní |
| | Jazyk výuky | čeština |
Rok zavedení | 2003/2004 | Rok zrušení | 2009/2010 |
Určeno pro fakulty | FEI | Určeno pro typy studia | bakalářské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Studenti se seznámí se základy vědního oboru umělá inteligence, poznají její nástroje v různých aplikačních oblastech a seznámí se s metodami syntézy jednoduchých expertních systémů a fuzzy regulátorů.
Schopnost orientace a analýzy nástrojů umělé inteligence, návrh fuzzy expertního systému nebo fuzzy regulátoru.
Studenti budou schopni prktického použití nástrojů umělé inteligence, návrhů fuzzy expertního systému nebo fuzzy regulátorů.
Vyučovací metody
Přednášky
Individuální konzultace
Cvičení (v učebně)
Experimentální práce v laboratoři
Anotace
Předmět je zaměřen na širší pojetí uplatnění metod a nástrojů umělé inteligence v informačních systémech. Uvádí zdroje a principy umělé inteligence, pro vysvětlení jejích přístupů seznamuje s klasickou výrokovou logikou a vysvětluje
přechod k vícehodnotové logice netradiční. Postupuje od problematiky řešení složitých úloh a strojového dokazování. Zavádí pojem využití neurčitosti ve znalostech, uvádí principy fuzzy matematiky, fuzzy vícehodnotové jazykové logiky a jejich využití v expertních a řídicích systémech. Všímá si systémů
pravděpodobnostních, založených na využití principů podmíněné a Baesovské pravděpodobnosti. Uvádí principy a aplikace neuronových sítí a genetických algoritmů v technických aplikacích moderní kybernetiky a robotiky. Učební látka
je přizpůsobena úrovni znalostí bakalářského studijního programu.
Povinná literatura:
ZBOŘIL,F.Umělá inteligence. VUT Brno, 1990
MAŘÍK,V a kol. : Umělá inteligence I, II. ACADEMIA Praha, 1993 (I), 1997 (II)
POKORNÝ,M.Umělá inteligence v modelování a řízení. BEN Technická literatura Praha, 1996
SARNOVSKÝ,J.a kol.Multiagentové hybridné riadenie zložitých systémov. ELFA Košice, 1999
BROWN,M., HARRIS,Ch.: Neurofuzzy Adaptive Modelling and Control, Prentice Hall, 1994
GOLDBERG,D.E.: Genetic Algorithms, Addison-Wesley Publishing Company, 1989
Novák,V.: Základy fuzzy modelování, BEN Praha, 2000
Doporučená literatura:
Pokorný,M.:Systémy s umělou inteligencí. Sylaby na WWW stránkách katedry,2002 (http://kat455.vsb.cz)
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Průběžná kontrola studia:
Průběžná kontrola je prováděna na základě účasti studenta v laboratorních cvičeních.
Podmínky udělení zápočtu:
Student může dosáhnout 60 bodů za výsledek písemné zkoušky a 40 bodů za vypracování a odevzdání semestrální práce. K absolvování předmětu musí student vypracovat test a odevzdat semestrální práci.
E-learning
Další požadavky na studenta
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
Úvod.Umělá inteligence, její historie. Umělá inteligence jako vědní disciplína. Principy metod umělé inteligence, přechod od pradigmatu aristotelovské logiky k logice Lukaszewského. Význam znalostí, přechod od zpracování dat ke zpracování znalostí.
Reprezentace znalostí.Hluboké a mělké znalosti, význam znalostí v systémech UI. Jazykové modely. Podmíněná pravidla IF-THEN.
Expertní systémy. Historie EX, charakteristické vlastnosti ES, oblasti použití. Struktura ES. Reprezentace znalostí, řídicí mechanizmy, zpracování neurčité informace. Diagnostické ES, použití heuristických znalostí bez neurčitosti a s neurčitostí. ES s modelem. Plánovací ES. Kognitivní analýza
pravidlové báze znalostí.
Fuzzy orientované expertní systémy. Základy fuzzy množinové matematiky. Fuzzy relace. Jazyková proměnná a její fuzzy reprezentace. Fuzzy aproximace funkcí. Aproximativní vyvozování. Použití fuzzy logiky v expertních systémech.
Neuronové sítě. Perceptron. Vícevrstvé sítě. Metody adaptace. Hopfieldova síť , asociativní pamět, optimalizace. Samoorganizace, Kohonenova adaptace. Kompetice. Neuronové sítě a řízení.
Genetické algoritmy. Filozofie genetického algoritmu. Genetické operace, generování populací. Genetický algoritmus jako nástroj optimalizace a řízení.
Použití metod umělé inteligence v technické praxi.
Laboratoře:
Laboratorní úloha s modelem mobilního robota VIMR - analýza pohybového systému
Laboratorní úloha s modelem mobilního robota VIMR - analýza orientačního systému
Laboratorní úloha s modelem mobilního robota VIMR - analýza komunikačního systému
Fuzzy regulace s využitím PLC TECOMAT
Laboratorní úloha s modelem mobilního robota VIMR - optimalizace pohybové trasy
Návrh a vyšetřování vlastností neuronového regulátoru
Projekty:
Semestrální projekt (expertní systém, fuzzy regulátor)
Počítačové laboratoře:
Příklady sestavení jazykových modelů chování soustav pomocí produkčních pravidel.
Práce s vývojovým prostředím FuzzyToolboxu a LMPS
Návrh fuzzy regulátoru v prostředí MATLAB
Návrh neuronového regulátoru
Optimalizace fuzzy regulátoru s využitím genetického algoritmu
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky
Předmět neobsahuje žádné hodnocení.