Detail předmětu

Aplikace vícehodnotové logiky

FSI-SALAk. rok: 2022/2023

Kurz je určen pro studenty matematického inženýrství a obsahuje teorii vícehodnotové logiky, slovní proměnné a slovních modelů a teorii expertních systémů. Součástí předmětu je i praktické navržení expertního systému založeného na Lukasiewiczově nebo Mamdaniho logice.

Druhá část kurzu je věnována strojovému učení a neuronovým sítím, které jsou používány pro moderní aplikace expertních systémů. Studenti se seznámí se základní terminologií, dále s různými druhy a jejich použití pro aplikace (analýza řeči, obrazu, atd.)

Jazyk výuky

čeština

Počet kreditů

4

Garant předmětu

prof. RNDr. Miloslav Druckmüller, CSc.

Zajišťuje ústav

Ústav matematiky (ÚM)

Výsledky učení předmětu

  1. Terminologie a vysvětlení pojmů vícehodnotové logiky.
  2. Zavedení slovních modelů, návrh expertního systému.
  3. Metody strojového učení.
  4. Neuronové sítě (NN) - základní vlastnosti a pojmy.
  5. Využití NN pro analýzu textu, řeči, obrazu (CNN). Návrh vlastní neuronové sítě bez i s použitím předtrénovaných modelů.

 

Prerekvizity

Matematická logika.

Teorie fuzzy množin.

Plánované vzdělávací činnosti a výukové metody

Předmět je vyučován formou přednášek, které mají charakter výkladu základních principů a teorie dané disciplíny. Cvičení je zaměřeno na praktické zvládnutí látky probrané na přednáškách.

Způsob a kritéria hodnocení

Klasifikovaný zápočet na základě odevzdání semestrální práce (70 procent) a ústního zkoušení probrané teorie (30 procent).

Učební cíle

Cílem kurzu je seznámit studenty s metodami vícehodnotové logiky a tvorby expertních systémů. Dále se studenti naučí navrhnout jednoduchý systém založený na strojovém učení a seznámí se s teoretickými i praktickými základy neuronových sítí.

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

Účast na výuce je povinná, v případě absence je nutné vypracovat náhradní úkoly.

Základní literatura

Druckmüller, M.: Technické aplikace vícehodnotové logiky, PC- DIR , Brno 1998 (CS)

Doporučená literatura

Neural Networks and Deep Learning. Online. Michael Nielsen, 2015. Dostupné z: http://neuralnetworksanddeeplearning.com/. [cit. 2023-10-30]. (EN)

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program N-MAI-P magisterský navazující 2 ročník, zimní semestr, povinný

  • Program CŽV celoživotní vzdělávání v akr. stud. programu

    obor CZV , 1 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., povinná

Vyučující / Lektor

Mgr. Jana Procházková, Ph.D.

Osnova

1. Vícehodnotová logika, formule, pravdivostní ohodnocení.
2. T-normy, T-konormy, zobecněné implikace.
3. Slovní proměnné a slovní modely, znalostní báze expertního systému.
4. Lukasiewiczova logika, Mamdaniho princip.
5. Inferenční mechanismus a jeho implementace, redundance a spory ve znalostní bázi, problém pokrytí definičního oboru znalostní bází.
6. Návrh expertního systému.
7. Strojové učení (rozhodovací stromy, kNN metody, Support Vector Machine).
8.- 9. Analýza textu, chatbot.
10. Základy neuronových sítí, návrh. Práce s vícevrstevnými neuronovými sítěmi (Deep Learning). 
11. Konvoluční neuronové sítě (CNN) .
12.-13. Práce na semestrálním projektu, konzultace.

 

Cvičení s počítačovou podporou

13 hod., povinná

Vyučující / Lektor

Mgr. Jana Procházková, Ph.D.

Osnova

Témata na práci ve cvičeních jsou úzce spjata s přednášenou látkou. V rámci počítačových cvičení budou jednotlivé oblasti implementovány v softwaru Matlab, event. Python. Pro návrh chatbota bude použit IBM Watson Assistant. 

1. Vícehodnotová logika, formule, pravdivostní ohodnocení.
2. T-normy, T-konormy, zobecněné implikace.
3. Slovní proměnné a slovní modely, znalostní báze expertního systému.
4. Lukasiewiczova logika, Mamdaniho princip.
5. Inferenční mechanismus a jeho implementace, redundance a spory ve znalostní bázi, problém pokrytí definičního oboru znalostní bází.
6. Návrh expertního systému.
7. Strojové učení (rozhodovací stromy, kNN metody, Support Vector Machine).
8.- 9. Analýza textu, chatbot.
10. Základy neuronových sítí, návrh. Práce s vícevrstevnými neuronovými sítěmi (Deep Learning).
11. Konvoluční neuronové sítě (CNN) .
12.-13. Práce na semestrálním projektu, konzultace.

 

Elearning

eLearning: aktuální otevřený kurz