Soft Computing

• 26 hod. přednášky
• 26 hod. projekty

• 55 bodů závěrečná zkouška (písemná část)
• 15 bodů půlsemestrální test (písemná část)
• 30 bodů projekty

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

• 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 teorií a aplikací posilovaného učení.
• 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.
• 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 inteligentních zařízení a systémů.

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

• Graube, D.: Principles of Artificial Neural networks, World Scientific Publishing Co. Pte. Ltd., third edition, 2013
• Rutkowski, L.: Flexible Neuro-Fuzzy Systems, Kluwer Academic Publishers, 2004, ISBN 1-4020-8042-5
• Shi, Z.: Advanced Artificial Intelligence, World Scientific Publishing Co. Pte. Ltd., 2011, ISBN-13 978-981-4291-34-7

• Kriesel, D.: A Brief Introduction to Neural Networks, 2005, Fundamentals of the New Artificial Intelligence, Springer-Verlag New York, Inc., 2008. ISBN 978-1-84628-838-8 
• Rutkowski, L.: Flexible Neuro-Fuzzy Systems, Kluwer Academic Publishers, 2004, ISBN 1-4020-8042-5
• Russel,S., Norvig,P.: Artificial Intelligence, Prentice-Hall, Inc., third edition 2010, ISBN 0-13-604259-7

• Informace pro studenty

1. Úvod. Neuronové sítě. Gradientní sestup. Backpropagation.
2. Konvoluční neuronové sítě. Hluboké učení.
3. Rekurentní neuronové sítě pro sekvenční data. Embedding.
4. RBF sítě. Rekurentní sítě jako asociativní paměti, Hopfieldovy sítě.
5. Rekurentní sítě se spojitým časem. Tekuté neuronové sítě.
6. Fuzzy množiny, fuzzy k-means, fuzzy logika.
7. Fuzzy řízení. Adaptivní neuro-fuzzy systémy., 
8. Markovský rozhodovací proces a posilované učení.
9. Genetické algoritmy a genetické programování.
10. ACO, PSO a jiné optimalizační algoritmy inspirované přírodou.
11. Pravděpodobnostní usuzování.
12. Hrubé množiny a jejich aplikace.
13. Chaos. Hybridní přístupy.

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

• Půlsemestrální písemný test - 15 bodů.
• Projekt - 30 bodů.
• Závěrečná písemná zkouška - 55 bodů, minimálně však 25 bodů.