Detail předmětu

Moderní prostředky v automatizaci

FEKT-BMPAAk. rok: 2012/2013

Použití znalostních systémů v automatizaci. Data a znalosti. Proces získávání znalostí. Automatizované získávání znalostí. Expertní systémy, charakteristické rysy expertních systémů, struktura a činnost expertních systémů. Použití expertních systémů. Umělé neuronové sítě, paradigmata, vícevrstvá neuronová síť, metody modelování dynamických systémů pomocí neuronových sítí. Počítačové vidění, předzpracování obrazu, segmentace obrazu. Strojové učení - definice, přezpracování, učení s učitelem, optimalizační algoritmy, učení bez učitele, meta-learning .
Tvorba a řešení inovačních/invenčních zadání (TRIZ).

Jazyk výuky

čeština

Počet kreditů

6

Výsledky učení předmětu

Student po absolvování kurzu získá teoritické i praktické znalosti v oblasti strojového učení, počítačového vidění, umělých neuronových sítí, expertních systémů a jejich aplikací v automatizaci.

Prerekvizity

Jsou požadovány znalosti na úrovni středoškolského studia.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT.

Způsob a kritéria hodnocení

Podmínkou udělení zápočtu je 100% účast na povinné části výuky. Studenti jsou hodnoceni průběžně během studia ve cvičeních. Za semestr tak mohou získat max. 20 bodů. Závěrečná písemná zkouška je hodnocena max. 70ti body, ústní zkouška max. 10ti body.

Osnovy výuky

Automatizace - význam, prostředky, technická kybernetika
Data, informace, znalosti - definice, příklady.
Expertní systémy - definice, architektura, teoretické zdroje, charakteristické rysy, inferenční mechanismus, tvorba báze znalostí, získávání znalostí, průběh konzultace, aplikace.
Umělé neuronové sítě - definice, neuron, topologie, paradigmata, vícevrstvá perceptronová neuronová síť, učení backpropagation, aktivace, vlastnosti.
Strojové učení - definice, přezpracování, učení s učitelem, optimalizační algoritmy, učení bez učitele, meta-learning.
Tvorba a řešení inovačních zadání - analýza objektu zdokonalování a inovační zadání, řešení invenčích úloh s podporou expertního systému a informací z patentových databází.
Počítačové vidění - úvod, snímání, digitalizace, předzpracování obrazy, segmentace obrazu.

Učební cíle

ílem kurzu je seznámit studenty s moderními metodami a prostředky v automatizaci. Získat znalosti a zkušenosti zpracování obrazové informace, ve strojovém učení, použitím neuronových sítí a expertních systémů v automatizaci.

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

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.

Základní literatura

Berka P. a kol.: Expertní systémy. Skripta, VŠE Praha, 1998. (CS)
Hlaváč V.- Šonka M.: Počítačové vidění. Grada 1992,Praha,ISBN 80-85424-67-3 (CS)
Mařík V.-Štěpánková O.-Lažanský J.:Umělá inteligence 1. ACADEMIA 1993,Praha,ISBN 80-200-0496-3 (CS)
Mařík V.-Štěpánková O.-Lažanský J.:Umělá inteligence 2. ACADEMIA 1997,Praha,ISBN 80-200-0504-8 (CS)
Šíma J., Neruda R.: Teoretické otázky neuronových sítí. Matfyzpress, Praha 1996 (CS)

Doporučená literatura

Kasabov,N.K.: Foundations of Neural Networks, Fuzzy systems and Knowledge Engineering.The MIT Press,1996,ISBN 0-262-11212-4 (EN)
Schalkoff,R.J.:Artificial Neural Networks. The MIT Press,1997,ISBN 0-07-115554-6 (EN)
Sonka M., Hlavac V., Boyle R.: Image Processing, Analysis and Machine Vision. Thomson, 2008, ISBN 978-0-495-08252-1 (EN)

Zařazení předmětu ve studijních plánech

  • Program EEKR-B bakalářský

    obor B-AMT , 2 ročník, letní semestr, volitelný oborový

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1 ročník, letní semestr, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

Znalostní systém v automatizaci.
Data a znalosti. Proces získávání znalostí.
Automatizované získávání znalostí.
Počítačové vidění, úvod, snímání,digitalizace
Předzpracování obrazy, filtrace, zvýraznění hran
Segmentace obrazu, prahování, určení hranic mezi oblastmi
Popis obrazu
Klasifikace obraze, výběr a uspořádání příznaků, princip činnosti klasifikátorů
Umělé neuronové sítě.
Vícevrstvá neuronová síť.
Modelování dynamických systémů pomoci neuronových sítí.
Expertní systémy, struktura a činnost ES.
Použití expertních systémů v automatizaci

Cvičení na počítači

39 hod., povinná

Vyučující / Lektor

Osnova

Obrazový analyzátor DIPS.
Obrazový analyzátor DIPS
Předzpracování obrazu pomocí DIPS
Předzpracování obrazu pomocí DIPS
Segmentace obrazu
Segmentace obrazu
Popis a analýza scény.
Popis a analýza scény.
Matlab with Simulink
Backpropagation - modelování pomocí Matlab
Backpropagation - modelování pomocí Matlab
Modelování dynamických systémů pomocí neuronových sítí
Zápočet