Detail předmětu

Strojové učení v inženýrských výpočtech;

FSI-QAIAk. rok: 2025/2026

Předmět nastiňuje možné způsoby aplikace strojového učení v  kontextu inženýrských výpočtů. Studenti se seznámí s základními principy strojového učení a umělé inteligence, s důrazem na Reinforcement learning. Kurz zahrnuje úvod do programovacího jazyka Python a jeho využití pro implementaci vhodných knihoven pro propojení dynamických výpočtových modelů a nástrojů umělé inteligence.

Jazyk výuky

čeština

Počet kreditů

2

Garant předmětu

Ing. Aleš Prokop, Ph.D.

Zajišťuje ústav

Ústav automobilního a dopravního inženýrství (ÚADI)

Vstupní znalosti

Základní znalosti fyzikálních a inženýrských principů, dále základní povědomí o programovacím jazyce Python. 

Pravidla hodnocení a ukončení předmětu

Udělení zápočtu je podmíněno aktivní účastí ve cvičeních, kde je průběžně kontrolována činnost v rámci dílčích úloh.

Účast na cvičeních je povinná, kontrolu provádí vyučující. Forma nahrazení zameškané výuky je řešena individuálně s cvičícím nebo s garantem předmětu.

Učební cíle

Cílem předmětu je seznámení studentů se základními přístupy aplikace strojového učení, konkrétně Reinforcement Learning v inženýrských výpočtech.

Absolvent kurzu získá základní povědomí o algoritmech a datových strukturách, užitečných pro efektivní implementaci Reinforcement Learning algoritmů prostřednictvím programovacího jazyka Python.

Absolvent rovněž získá praktické zkušenosti v rámci úloh v oblasti propojení strojového učení a vybraných inženýrských výpočtů, jež mohou sloužit jako inspirace k dalšímu rozvoji v této oblasti.

Základní literatura

SANGHI, Nimish. Deep Reinforcement Learning with Python. 1st ed. Apress Berkeley, CA, c2021. ISBN 978-1-4842-6809-4. (EN)
SUTTON, S.; BARTO, A. Reinforcement Learning: An Introduction. 2nd ed. The MIT Press, c2018. ISBN 978-0-262-19398-6. (EN)

Zařazení předmětu ve studijních plánech

  • Program N-ADI-P magisterský navazující 1 ročník, letní semestr, volitelný
    2 ročník, letní semestr, volitelný
  • Program N-AAE-P magisterský navazující 2 ročník, letní semestr, volitelný
    1 ročník, letní semestr, volitelný

Typ (způsob) výuky

 

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

Ing. Aleš Prokop, Ph.D.

Osnova

  1. Rozdělení strojového učení/umělé inteligence
  2. Reinforcement learning (RL): definice, představení základních pojmů
  3. Úvod do programovacího jazyku Python
  4. Supervised learning v prostředí Python (učení na datech)
  5. Ukázka RL úlohy v prostředí Python (Gymnasium)
  6. Model-based a model-free RL
  7. FMU: Tvorba, využití
  8. Stavba výpočtového modelu (Adams/Chrono/NVIDIA Modulus/Mujoco)
  9. Definice vstupů a výstupů pro RL: observations, actions
  10. Volba/tvorba agenta a jeho policy
  11. Definice reward function
  12. Trénovaní: definice parametrů, které mají vliv na průběh
  13. Využití natrénovaného agenta v simulaci