Detail předmětu

Soft Computing

FIT-SFCAk. rok: 2011/2012

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. Genetické algoritmy. Pravděpodobnostní usuzování. Hrubé množiny. Chaos.  Hybridní přístupy (kombinace neuronových sítí, fuzzy logiky a genetických algoritmů) .

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. František Zbořil, CSc.

Zajišťuje ústav

Ústav inteligentních systémů (UITS)

Výsledky učení předmětu

Studenti se důkladně seznámí se základy teorií soft computing a budou tak schopni navrhovat programové systémy využívající těchto teorií k řešení různých praktických problémů.

Studenti si uvědomí důležitost tolerance nepřesnosti a neurčitosti pro konstrukci robustních a levných inteligentních zařízení.

Prerekvizity

Nejsou žádné prerekvizity.

Způsob a kritéria hodnocení

Výuka není kontrolována.

Osnovy výuky

  1. Úvod, vysvětlení pojmu soft computing. Význam tolerance nepřesnosti a neurčitosti.
  2. Biologický a umělý neuron, neuronové sítě. Adaline a Perceptron. Neuronové sítě Madaline a BP (Back Propagation).
  3. Neuronové sítě s proměnnou topologií. 
  4. Neuronové sítě RBF, RCE. Topologicky organizované neuronové sítě, soutěživé učení, Kohonenovy mapy.
  5. Neuronové sítě CPN, LVQ, ART.
  6. Neuronové sítě jako asociativní paměti (Hopfield, BAM, SDM).
  7. Řešení optimalizačních problémů neuronovými sítěmi. Stochastické neuronové sítě, Boltzmannův stroj.
  8. Fuzzy množiny, fuzzy logika, fuzzy inference.
  9. Genetické algoritmy.
  10. Pravděpodobnostní usuzování.
  11. Hrubé množiny.
  12. Chaos.
  13. Hybridní přístupy (neuronové sítě, fuzzy logika, genetické algoritmy).

Učební cíle

Seznámit studenty se základy teorií soft computing, tj. se základy teorií netradičních technologií a přístupů k řešení obtížných problémů reálného světa, především se základy umělých neuronových sítí, fuzzy množin a fuzzy logiky a genetických algoritmů.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

  1. Půlsemestrální písemný test
  2. Individuální projekt

Upozornění: Počínaje akademickým rokem 2009/2010 se stanovuje minimální počet bodů (25), nutný pro úspěšné absolvování semestrální zkoušky - studenti, kteří tento počet bodů nezískají, budou mít semestrální zkoušku hodnocenou 0 body !!!

Základní literatura

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

Doporučená literatura

Mehrotra, K., Mohan, C. K., Ranka, S.: Elements of Artificial Neural Networks, The MIT Press, 1997, ISBN 0-262-13328-8 Munakata, T.: Fundamentals of the New Artificial Intelligence, Springer-Verlag New York, Inc., 2008. ISBN 978-1-84628-838-8 Russel, S., Norvig, P.: Artificial Intelligence, Prentice-Hall, Inc., 1995, ISBN 0-13-360124-2, second edition 2003, ISBN 0-13-080302-2, third edition 2010, ISBN 0-13-604259-7

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. František Zbořil, CSc.

Osnova

  1. Úvod, vysvětlení pojmu soft computing. Význam tolerance nepřesnosti a neurčitosti.
  2. Biologický a umělý neuron, neuronové sítě. Adaline a Perceptron. Neuronové sítě Madaline a BP (Back Propagation).
  3. Neuronové sítě s proměnnou topologií. 
  4. Neuronové sítě RBF, RCE. Topologicky organizované neuronové sítě, soutěživé učení, Kohonenovy mapy.
  5. Neuronové sítě CPN, LVQ, ART.
  6. Neuronové sítě jako asociativní paměti (Hopfield, BAM, SDM).
  7. Řešení optimalizačních problémů neuronovými sítěmi. Stochastické neuronové sítě, Boltzmannův stroj.
  8. Fuzzy množiny, fuzzy logika, fuzzy inference.
  9. Genetické algoritmy.
  10. Pravděpodobnostní usuzování.
  11. Hrubé množiny.
  12. Chaos.
  13. Hybridní přístupy (neuronové sítě, fuzzy logika, genetické algoritmy).

Projekt

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. František Zbořil, CSc.