638-3001/03 – Matematické prostředky informatiky (MPI)

Garantující katedraKatedra automatizace a počítačové techniky v průmysluKredity5
Garant předmětudoc. Ing. Jiří David, Ph.D.Garant verze předmětudoc. Ing. Jiří David, Ph.D.
Úroveň studiapregraduální nebo graduálníPovinnostpovinný
Ročník1Semestrletní
Jazyk výukyčeština
Rok zavedení2019/2020Rok zrušení
Určeno pro fakultyFMTUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
DAV47 doc. Ing. Jiří David, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Zápočet a zkouška 3+2
kombinovaná Zápočet a zkouška 16+0

Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi

Student bude umět stanovit zdroje a typy chyb při numerických výpočtech. Student si osvojí druhy a principy moderních optimalizačních metod . Student bude umět navrhnout řešení optimalizační úlohy s využitím genetických algoritmů resp. některou z metod evolučních algoritmů. Student si osvojí základní principy a metody dataminingu. Student si osvojí základní dovednosti při řešení matematických úloh v prostředí Matlab a řešení úloh s využitím genetických algoritmů v prostředí Matlab Toolbox Genetic Algorithm.

Vyučovací metody

Přednášky
Cvičení (v učebně)

Anotace

Předmět seznamuje se základními zdoji chyb při numerických metodách, klasifikací moderních optimlaizačních metod. Důraz je kladen na získání teoretických i praktických dovednosti při řešení úloh s využitím genetických resp. evolučních algoritmů. Základní teoretické znalosti při řešení úloh dataminigu a základní praktické dovednosti při řešení matematických úloh v prostředí Matlab a řešení úloh s využitím genetických algoritmů v prostředí Matlab Toolbox Genetic Algorithm.

Povinná literatura:

DAVID, J. Matematické prostředky informatiky. VŠB-TU Ostrava, Ostrava, 2013. BERKA, P. Dobývání znalostí z databází. Praha : Academia, 2003, ISBN 80-200-1062-9 ZELINKA, I. Umělá inteligence v problémech globální optimalizace. Praha: BEN - technická literatura, 2002. ISBN: 80-7300-069-5. WITTEN I. H., E. FRANK and M.A. HALL. Data Mining: Practical Machine Learning Tools and Techniques: Practical Machine Learning Tools and Techniques. Elsevier, 2011. ISBN 0080890369. KIM, K. et. al. Genetic Algorithms.: Concepts and Designs. London: Springer, 1999. ISBN 1852330724. TAN P. N.: Introduction To Data Mining. Pearson Education, 2007. ISBN 8131714721. BACK, T. Evolutionary Algorithms in Theory and Practice : Evolution Strategies, Evolutionary Programming, Genetic Algorithms. Oxford: Oxford University Press, 1995. ISBN 0195356705.

Doporučená literatura:

OPLATKOVÁ, Z. et. al. Evoluční výpočetní techniky - principy a aplikace. BEN-Technická literatura, 2008. ISBN: 80-7300-218-3. KIUSALAAS, J. Numerical Methods in Engineering with MATLAB. Cambridge: Cambridge University Press, 2015. ISBN: 9781107120570. CHARTIER, T. P. and A. GREENBAUM. Numerical Methods: Design, Analysis, and Computer Implementation of Algorithms. Princeton :Princeton University Press. 2012. ISBN: 978-0691151229. WALTER J. G. and T. L. VINCENT Modern control systems analysis and design. New York : John Wiley & Sons, Inc., 1993. ISBN 0-471-81193-9. YAO, X. Evolutionary Computation: Theory and Applications. World Scientific, 1999. ISBN 9810223064.

Forma způsobu ověření studijních výsledků a další požadavky na studenta

Písemný test a ústní zkoušení.

E-learning

Další požadavky na studenta

Seznámení s praktickým řešení optimalizační úlohy s využitím genetických algoritmů.

Prerekvizity

Předmět nemá žádné prerekvizity.

Korekvizity

Předmět nemá žádné korekvizity.

Osnova předmětu

1. Chyby, zdroje a typy chyb. Zaokrouhlovací chyby. Chyby metody 2. Neúplná čísla a zobrazení čísel v počítači. Korektnost, podmíněnost a stabilita numerických úloh. 3. Úĺohy optimalizace. Klasifikace optimalizačních metod. 4. Principy základních optimalizačních metod. Evoluční metody 5. Princip genetických algoritmů 6. Fitness hodnota. Kódování řetězců 7. Ukončování genetického algoritmu. Stagnace genetického algoritmu 8. Výběr řetězců. Principy jednotlivých metod výběru 9. Křížení. Mutace. Druhy mutace 10. Varianty genetických algoritmů 11. Princip evoluční strategie. Princip diferenciální evoluce. Princip SOMA. Princip UIS 12. Datové sklady. 13. Data mining. Úlohy data miningu 14. Princip metodologie CRISP-DM 15. Metody data miningu. Princip rozhodovacích stromů

Podmínky absolvování předmětu

Kombinovaná forma (platnost od: 2019/2020 letní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodůMax. počet pokusů
Zápočet a zkouška Zápočet a zkouška 100 (100) 51
        Zápočet Zápočet 35  25
        Zkouška Zkouška 65  26 3
Rozsah povinné účasti: test a zkoušení

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
2021/2022 (N0413A270002) Management kvality a řízení průmyslových systémů (S03) Inteligentní řídicí systémy v průmyslu P čeština Ostrava 1 povinný stu. plán
2021/2022 (N0413A270002) Management kvality a řízení průmyslových systémů (S03) Inteligentní řídicí systémy v průmyslu K čeština Ostrava 1 povinný stu. plán
2020/2021 (N0413A270002) Management kvality a řízení průmyslových systémů (S03) Inteligentní řídicí systémy v průmyslu K čeština Ostrava 1 povinný stu. plán
2020/2021 (N0413A270002) Management kvality a řízení průmyslových systémů (S03) Inteligentní řídicí systémy v průmyslu P čeština Ostrava 1 povinný stu. plán
2019/2020 (N0413A270002) Management kvality a řízení průmyslových systémů (S03) Inteligentní řídicí systémy v průmyslu P čeština Ostrava 1 povinný stu. plán
2019/2020 (N0413A270002) Management kvality a řízení průmyslových systémů (S03) Inteligentní řídicí systémy v průmyslu K čeština Ostrava 1 povinný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku

Hodnocení Výuky



2019/2020 letní