Detail předmětu

Fuzzy systémy a neuronové sítě

FSI-RNFAk. rok: 2020/2021

Kurz seznamuje s nejužívanějšími paradigmaty neuronových sítí, dále se zabývá možnými technicky orientovanými aplikacemi neuronových sítí a jejich praktickým využitím. Výuka teorie se zaměřuje zejména na dynamiku neuronů a zvlášť jejich aktivaci, signály a aktivační modely; na dynamiku synapsí, a to jak na učení bez učitele, tak na učení s učitelem (soutěživé učení, zpětné šíření); architektury sítí a rovnovážný bod sítí. Dále je porovnána neuronová reprezentace a fuzzy reprezentace strukturované znalosti a uvedených poznatků je využito ke konstrukci řídících členů.

Jazyk výuky

čeština

Počet kreditů

7

Garant předmětu

prof. RNDr. Ing. Tomáš Březina, CSc.

Zajišťuje ústav

Ústav matematiky (ÚM)

Výsledky učení předmětu

Znalost funkce neuronových sítí a přiměřenosti jejich použití při zpracování dat, speciálně při návrhu "inteligentních" řídících členů.

Prerekvizity

Předpokládá se znalost maticového počtu, doporučuje se orientace v optimalizačních metodách a modelování.

Plánované vzdělávací činnosti a výukové metody

Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny. Výuka je doplněna laboratorním cvičením.

Způsob a kritéria hodnocení

Požadavky pro udělení zápočtu: aktivní účast na cvičeních a samostatné zpracování projektu zadaného vyučujícím. Zkouška sestává z písemné a ústní části. Písemnou část představuje test se čtyřmi otázkami. Ústní část se skládá z diskuse nad písemnou částí s možnými doplňujícími otázkami. Klasifikace je plně v kompetenci vyučujícího podle platných směrnic VUT v Brně.

Učební cíle

Cílem předmětu je, aby studenti zvládli základy neuronového modelování a všeobecného využití neuronových modelů při zpracování dat i rámec konstukce "inteligentních" řídících členů.

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

Účast na přednáškách je žádoucí, na cvičeních povinná. Výuka běží podle týdenních plánů. Způsob nahrazení zameškaných cvičení je plně v kompetenci vyučujícího.

Základní literatura

Mařík, V: Umělá inteligence I, II, 1993
Rojas, R.: Neural Networks, 1996

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program M2A-P magisterský navazující

    obor M-MET , 2 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

prof. RNDr. Ing. Tomáš Březina, CSc.

Osnova

1. Konekcionistický model živočišného mozku, neuronové dynamické systémy, obecné signálové funkce, aditivní neuronová dynamika.
2. Aditivní bivalentní modely, obecné neuronové aktivace, učení jako kódování.
3. Základní pravidla učení bez učitele, stochastické učení bez učitele a stochastický rovnovážný stav.
4. Učení s učitelem, učení jako stochastické učení vzorů se známou příslušností ke třídě, jako stochastická aproximace.
5. Algoritmus zpětného šíření.
6. Neuronové sítě jako stochastické gradientní systémy, synaptická konvergence k centroidům.
7. Globální rovnovážný stav: konvergence a stabilita, globální stabilita zpětnovazebních neuronových sítí, strukturální stabilita učení bez učitele.
8. Fuzzy množiny a systémy, neurčitost v pravděpodobnostním prostředí, náhodnost proti víceznačnosti.
9. Fuzzy a neuronové aproximace funkcí, neuronová reprezentace a fuzzy reprezentace strukturované znalosti.
10. Řídící členy založené na matematickém modelu a na aproximátoru.
11. Fuzzy řídící členy.
12. Řídící členy založené na Kalmanově filtru.
13. Shrnutí.

Laboratorní cvičení

26 hod., povinná

Vyučující / Lektor

Ing. Jiří Kovář, Ph.D.

Osnova

1. Základy systému Matlab: základní příkazy, práce s maticemi, vizualizační funkce.
2. Perceptron I: model neuronu, aktivační funkce, tvorba sítě.
3. Perceptron II: omezení perceptronu, XOR problém.
4. Lineární sítě I: model neuronu, aktivační funkce, tvorba sítě.
5. Lineární sítě II: automatické nastavení vah, učení.
6. Backpropagation I: model neuronu, topologie, algoritmus učení, zadání projektu.
7. Backpropagation II: omezení algoritmu, momentum, adaptivní krok učení.
8. Backpropagation III: Levenberg - Marquardt pravidlo učení.
9. Sít s radiálními bázemi: model neuronu, tvorba sít, určení počtu vstupních neuronů.
10. Rekurentní sítě: Hopfieldův model.
11. Rekurentní sítě: Elmanův model.
12. Práce na projektu, konzultace projektu.
13. Zápočet.

Elearning

eLearning: aktuální otevřený kurz