Fakulta informačních technologií VUT v Brně

Detail předmětu

Soft Computing

SFC Ak. rok 2019/2020 zimní semestr 5 kreditů

Soft computing je zastřešující název (který nemá použitelný český překlad) pro netradiční technologie, resp. přístupy k řešení obtížných problémů. Obsah předmětu je ve shodě s významem jeho názvu následující: Tolerance pro nepřesnost a neurčitost jako základní atributy teorií soft-computing. Neuronové sítě. Fuzzy logika. Optimalizační algoritmy inspirované přírodoy. Pravděpodobnostní usuzování. Hrubé množiny. Chaos.  Hybridní přístupy (kombinace neuronových sítí, fuzzy logiky a genetických algoritmů) .

Garant předmětu

Zástupce garanta předmětu

Jazyk výuky

česky

Zakončení

zápočet+zkouška (písemná)

Rozsah

26 hod. přednášky, 26 hod. projekty

Bodové hodnocení

55 zkouška, 15 půlsemestrální test, 30 projekty

Zajišťuje ústav

Přednášející

Cvičící

Stránky předmětu

Získané dovednosti, znalosti a kompetence z předmětu

  • Studenti se seznámí se základními typy neuronových sítí a jejich aplikacemi.
  • Studenti se seznámí se základy teorie fuzzy množin a fuzzy logiky včetně návrhu fuzzy regulátoru.
  • Studenti se seznámí s optimalizačními algoritmy inspirovanými přírodou.
  • Studenti se seznámí s problematikou pravděpodobnostního usuzování.
  • Studenti se seznámí se základy teorie hrubých množin a s použitím těchto množin při dolování znalostí z databází.  
  • Studenti se seznámí se základy teorie chaosu.

Dovednosti, znalosti a kompetence obecné

  • Studenti se naučí odborné terminologii z oblasti soft-computing, a to jak v českém, tak i anglickém jazyce.
  • Studenti si uvědomí důležitost tolerance nepřesnosti a neurčitosti pro konstrukci robustních a levných inteligentních zařízení.

Cíle předmětu

Seznámit studenty se základy teorií soft-computing, tj. se základy teorií netradičních technologií a přístupů k řešení obtížných problémů reálného světa.

Proč je předmět vyučován

Studiem předmětu získají studenti znalosti o práci s neurčitými, nejistými a neúplnými informacemi, které jsou nezbytné pro úspěšné návrhy inteligentních systémů.

Požadované prerekvizitní znalosti a dovednosti

  • Programování v jazycích C++ nebo Java.
  • Základní znalosti z diferenciálního počtu a teorie pravděpodobnosti.

Literatura studijní

  1. Kriesel, D.: A Brief Introduction to Neural Networks, 2005, http://www.dkriesel.com/en/science/neural_networks
  2. Munakata, T.: Fundamentals of the New Artificial Intelligence, Springer-Verlag New York, Inc., 2008, ISBN 978-1-84628-838-8
  3. Russel, S., Norvig, P.: Artificial Intelligence, Prentice-Hall, Inc., third edition 2010, ISBN 0-13-604259-7

Literatura referenční

  1. Graube, D.: Principles of Artificial Neural networks, World Scientific Publishing Co. Pte. Ltd., third edition, 2013
  2. Kriesel, D.: A Brief Introduction to Neural Networks, 2005, http://www.dkriesel.com/en/science/neural_networks
  3. Kruse, R., Borgelt, Ch., Braune, Ch., Mostaghim, S., Steinbrecher, M.: Computational Intelligence, Springer, second edition 2016, ISBN 978-1-4471-7296-3
  4. Munakata, T.: Fundamentals of the New Artificial Intelligence, Springer-Verlag New York, Inc., 2008, ISBN 978-1-84628-838-8  
  5. Rutkowski, L.: Flexible Neuro-Fuzzy Systems, Kluwer Academic Publishers, 2004, ISBN 1-4020-8042-5
  6. Russel,S., Norvig,P.: Artificial Intelligence, Prentice-Hall, Inc., 1995, ISBN 0-13-360124-2, third edition 2010, ISBN 0-13-604259-7
  7. Shi, Z.: Advanced Artificial Intelligence, World Scientific Publishing Co. Pte. Ltd., 2011, ISBN-13 978-981-4291-34-7

Osnova přednášek

  1. Úvod. Biologický a umělý neuron, umělé neuronové sítě.
  2. Acyklické a dopředné neuronové sítě, algoritmus backpropagation.  
  3. Neuronové sítě s RBF neurony. Soutěživé sítě.
  4. Neocognitron a konvoluční neuronové sítě.
  5. Rekurentní sítě (Hopfieldova síť, Boltzmannův stroj).
  6. Rekurentní sítě (LSTM, GRU).
  7. Genetické algoritmy. 
  8. Optimalizační algoritmy inspirované přírodou.
  9. Fuzzy množiny a fuzzy logika.  
  10. Pravděpodobnostní usuzování, Bayesovské sítě.
  11. Hrubé množiny.
  12. Chaos.
  13. Hybridní přístupy (neuronové sítě, fuzzy logika, genetické algoritmy).

Osnova ostatní - projekty, práce

Individuální projekt - řešení konkrétního problému (klasifikace, optimalizace, asociace, řízení).

Průběžná kontrola studia

  • Půlsemestrální písemný test - 15 bodů.
  • Projekt - 30 bodů.
  • Závěrečná písemná zkouška - 55 bodů, minimálně však 25 bodů. Pro získání bodů ze závěrečné písemné zkoušky je nutné zkoušku vypracovat tak, aby byla hodnocena nejméně 25 body (v opačném případě bude zkouška hodnocena 0 body).

Kontrolovaná výuka

Podmínky zápočtu

Nejméně 20 bodů získaných v průběhu semestru (za půlsemestrální test a projekt).

Rozvrh

DenTypTýdnyMístn.OdDoPSKSkupInfo
Poostatní2019-12-16 A211 08:0015:50Obhajoby projektů
Útostatní2019-12-17 A211 08:0015:50Obhajoby projektů
Stostatní2019-12-18 A211 08:0015:50Obhajoby projektů
Čtostatní2019-12-19 A211 08:0012:50Obhajoby projektů
ostatní2019-12-20 A211 08:0014:50Obhajoby projektů
přednáškavýuky G202 12:0013:50 1MIT 2MIT MBI MIN

Zařazení předmětu ve studijních plánech

Nahoru