Detail předmětu
Výpočetní inteligence
FSI-9VIN Ak. rok: 2027/2028 Celoroční semestr
Výpočetní inteligence (Computational Intelligence) je zastřešující název přírodně inspirovaných výpočetních metodologií vhodných pro řešení obtížných reálných problémů, které jsou s využitím běžných matematických či inženýrských přístupů špatně řešitelné. Kurz seznamuje se základními přístupy a pokročilými metodami používanými v této oblasti. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů. Studentům je dán prostor a podpora pro řešení vlastních optimalizačních úloh.
Jazyk výuky
čeština
Garant předmětu
Zajišťuje ústav
Vstupní znalosti
Předpokládá se znalost základních souvislostí ze statistiky a optimalizace.
Způsob zakončení předmětu a pravidla hodnocení studentů
Předložení a obhájení projektu, který prezentuje/využívá některou z probíraných implementací metod počítačové inteligence.
Účast na přednáškách je žádoucí. Výuka běží podle individuálního plánu. Způsob nahrazení zameškaných hodin je plně v kompetenci vyučujícího.
Učební cíle
Seznámit studenty se základy tzv. výpočetní inteligence (Computational Intelligence), tj. přírodou inspirovanými přístupy pro řešení obtížných problémů reálného světa. Především v kontextu optimalizace, modelování a klasifikace. Diskutovány budou rozličné evolučními algoritmy, metaheuristiky a modely umělých neuronových sítí.
Pochopení základních metod počítačové inteligence a schopnost jejich implementace.
Použití předmětu ve studijních plánech
Program D-APM-P: Aplikovaná matematika, doktorský, povinně volitelný
Typ (způsob) výuky
Přednáška
20 hod., nepovinná
Osnova
Výuka je rozdělena do čtyř tematických bloků:
Blok 1: Výpočetní inteligence a její využití v moderní umělé inteligenci. Postavení výpočetní inteligence v kontextu AI a strojového učení. Přehled současných metod, trendů a aplikačních oblastí. Formulace optimalizačních, predikčních a klasifikačních úloh. Prezentace a výběr individuálních studentských projektů.
Blok 2: Evoluční výpočty, hejnová inteligence a optimalizační metaheuristiky. Genetické algoritmy, gramatická evoluce, genetické programování, diferenciální evoluce, optimalizační algoritmy HC12, optimalizace hejnem částic (PSO) a mravenčí algoritmy (ACO). Vícekriteriální optimalizace, hybridní optimalizační metody a jejich praktické aplikace.
Blok 3: Umělé neuronové sítě a hluboké učení. Dopředné, konvoluční, rekurentní a samoorganizující neuronové sítě. Moderní architektury hlubokého učení, modely Transformer a generativní umělá inteligence. Transfer learning, optimalizace neuronových sítí a kombinace evolučních a neuronových přístupů.
Blok 4: Praktické aplikace výpočetní inteligence. Individuální řešení studentských úloh, výběr vhodných metod, implementace, optimalizace parametrů a experimentální vyhodnocení výsledků. Porovnávání algoritmů, interpretace výsledků, individuální konzultace a prezentace řešení.