Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2019/2020

Artificial Intelligence and Neural Networks in Applications

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
E371076 Z,ZK 5 2P+2C
Přednášející:
Jiří Bíla (gar.), Vladimír Hlaváč, Cyril Oswald
Cvičící:
Jiří Bíla (gar.), Vladimír Hlaváč, Cyril Oswald
Předmět zajišťuje:
ústav přístrojové a řídící techniky
Anotace:

Teorie řešení úloh, Formální logika. Jazyk a kalkul predikátů 1.řádu, Automatické dokazování teorémů-resoluční metoda, Formální jazyky a gramatiky, abstraktní automaty jako syntaktické analyzátory, Abstraktní automaty jako syntaktické analyzátory, Fuzzy regulátory, Fuzzy toolbox pro MatLab/Simulink, Syntéza fuzzy regulátoru v prostředí fuzzy toolboxu pro MatLab/Simulink, Genetické algoritmy, Neuronové sítě, teorie (MLP, RBF, HONU), typy, konvoluční neuronové sítě (AlexNet). Aplikace.

Požadavky:

Otázkové okruhy ke zkoušce

1. Teorie řešení úloh, typy úloh, zobecněný stavový prostor, jeho struktura, formální model syntézy řešení, vzdálenost od cíle řešení (metrika).

2. Formální logika. Jazyk a kalkul predikátů 1.řádu. Syntéza řešení.

3. Automatické dokazování teorémů-resoluční metoda. Postup a příklady.

4. Formální jazyky a gramatiky, základní typy gramatik, věta o transformaci regulární gramatiky na regulární lineární gramatiku.

5. Abstraktní automaty jako syntaktické analyzátory. Typy automatů. Stavové stroje (konečný a zásobníkový).

6. Fuzzy regulátory. Mamdaniho regulátor. Takagi-Sugenův regulátor.

7. Fuzzy toolbox pro MatLab/Simulink.

8. Syntéza fuzzy regulátoru v prostředí fuzzy toolboxu pro MatLab/Simulink.

9. Příklad řízení nelineárního dynamického systému fuzzy regulátorem.

10. Genetické algoritmy. Popis algoritmu. Ukončovací podmínka.

11. Neuronové sítě - životní cyklus a oblasti nasazení neuronových sítí.

12. Typy neuronových sítí (MLP, RBF, HONU).

13. Trénování a testování neuronových sítí.

14. Back propagation metoda trénování MLP sítí.

15. Ladění RBF sítí.

16. Konvergence procesu trénování neuronových sítí.

17. Identifikace dynamických systémů pomocí neuronových sítí.

Osnova přednášek:

1. Úvodní přenáška

2. Teorie řešení úloh

3. Formální logika. Jazyk a kalkul predikátů 1.řádu

4. Automatické dokazování teorémů-resoluční metoda

5. Formální jazyky a gramatiky, abstraktní automaty jako syntaktické analyzátory

6. Abstraktní automaty jako syntaktické analyzátory.

7. Fuzzy regulátory, Fuzzy toolbox pro MatLab/Simulink

8. Syntéza fuzzy regulátoru v prostředí fuzzy toolboxu pro MatLab/Simulink

9. Genetické algoritmy

10. Neuronové sítě

11. Neuronové sítě, teorie (MLP, RBF, HONU), typy

12. Neuronové sítě, teorie (MLP, RBF, HONU)

13. Závěr semestru, zápočty

Osnova cvičení:

Témata cvičení následují témata přednášek.

Seminární práce budou postupně zadávány od 8. přednášky.

Podmínky pro udělení zápočtu:

-50 % prezence na cvičeních.

-Odevzdaná a přijatá seminární práce.

Cíle studia:
Studijní materiály:

1. Bíla, J. : Umělá inteligence a neuronové sítě v aplikacích. ČVUT, Praha, 1998.

2. Bíla, Šmíd, Král, Hlaváč: Informační technologie. Databázové a znalostní systémy. ČVUT v Praze, 2009.

3. Mařík, V. a kol.: Umělá inteligence (1+2+3+4). Academia, Praha, (1997-2003).

4. Vysoký, P.: Fuzzy řízení. ČVUT, Praha, 1999.

Poznámka:
Rozvrh na zimní semestr 2019/2020:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
Út
St
Čt
místnost T4:C1-308
Bíla J.
14:15–15:45
(přednášková par. 1)
Dejvice
Laboratoř 12110.3 - 308
místnost T4:C1-308
Bíla J.
16:00–17:30
(přednášková par. 1
paralelka 1)

Dejvice
Laboratoř 12110.3 - 308

Rozvrh na letní semestr 2019/2020:
Rozvrh není připraven
Předmět je součástí následujících studijních plánů:
Platnost dat k 18. 10. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet2130806.html