Vyučující
|
|
Obsah předmětu
|
Úvod, biologická motivace, vlastnosti lidského mozku a jeho struktura. Umělý model neuronu a perceptronu. Umělý perceptron a pravidla jeho učení, gradientní optimalizace. Adaptivní lineární perceptron, umělé neuronové sítě, architektura neuronové sítě, topologie neuronových sítí a jejich trénování (backpropagation- metoda zpětného navracení). Použití neuronových sítí při řešení úloh klasifikace, regrese a predikce. "Soft Computing" metody. Fuzzy množiny a operace s nimi, lingvistické proměnné, funkce příslušnosti, Fuzzy logika, pravidla inference, Mamdami a Larsenovy implikační pravidla, počet pravidel, fuzzyfication, defazzyfication. Implementace v technické praxi a v řízení.
|
Studijní aktivity a metody výuky
|
Individuální konzultace
|
Výstupy z učení
|
Cílem předmětu je poskytnout v doktorandském studiu přehled o metodách umělé inteligence a možnostech neuronových sítí při řešení technických problémů. Součástí předmětu jsou i fuzzy metody a metody "soft computing".
Schopnost implementace prvků umělé inteligence a metod "Soft Computing".
|
Předpoklady
|
Úspěšné absolvování magisterského studia na strojní nebo obdobné fakultě, zájem o měřicí techniku a zpracování dat.
|
Hodnoticí metody a kritéria
|
Ústní zkouška
Znalosti z matematiky a fyziky požadované na absolventu strojní fakulty, základní znalosti principů řízení.
|
Doporučená literatura
|
-
BROOKSHEAR, J. GLENN. Computer Science: An Overview (8th Edition). Addison Wesley, 2004. ISBN 0-321-26971-3.
-
P. H. Winston. Artificial Intelligence. Addison Wesley, Reading, MA, 1992. ISBN 0-201-53377-4.
-
Stuart RUSSELL, Peter NORVIG. Artificial Intelligence: A Modern Approach.. Prentice Hall International, Inc., New Jersey, 1995. ISBN 0-13-360124-2.
-
Vladimír MAŘÍK, Olga ŠTEPÁNKOVÁ, Jiří LAŽANSKÝ a kolektiv. Umělá inteligence I. - V.díl. Academia Praha, 2007. ISBN 80-200-0502-1.
|