Detail předmětu

Moderní prostředky v automatizaci

FEKT-KMPAAk. rok: 2010/2011

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 .

Jazyk výuky

čeština

Počet kreditů

6

Garant předmětu

doc. Ing. Václav Jirsík, CSc.

Zajišťuje ústav

Ústav automatizace a měřicí techniky (UAMT)

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

Studenti jsou hodnoceni průběžně během studia na cvičeních. Za semestr tak mohou získat max. 20 bodů. Podmínkou udělení zápočtu je účast na povinné části výuky.
Závěrečná zkouška je hodnocena max. 80ti body.

Osnovy výuky

Data, informace, znalosti. Proces získávání znalostí.
Expertní systémy - definice, architektura, teoretické zdroje, charakteristické rysy, báze znalostí, řídicí mechanismus, průběh konzultace.
Umělá neuronová síť - definice, neuron, topologie, učení backpropagation, aktivace.
Počítačové vidění - úvod, snímání, digitalizace, předzpracování obrazy, segmentace obrazu.
Strojové učení - definice, přezpracování, učení s učitelem, optimalizační algoritmy, učení bez učitele, meta-learning.
Tvorba a řešení inovačních/invenčních zadání (TRIZ).

Učební cíle

Cílem 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.

Zařazení předmětu ve studijních plánech

  • Program EEKR-BK bakalářský

    obor BK-AMT , 3 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

doc. Ing. Václav Jirsík, CSc.

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., nepovinná

Vyučující / Lektor

doc. Ing. Václav Jirsík, CSc.

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