Neuronové sítě a strojové učení (FSI-VSC)

Akademický rok 2023/2024
Garant: prof. Ing. Radomil Matoušek, Ph.D.  
Garantující pracoviště: ÚAI všechny předměty garantované tímto pracovištěm
Jazyk výuky: čeština
Cíle předmětu:
Cílem kurzu je seznámit studenty se základním prostředky neuronových sítí, s možnostmi a přiměřeností jejich použití při řešení inženýrských úloh.
Výstupy studia a kompetence:
Pochopení základních metod umělých neuronových sítí a schopnost jejich implementace.
Prerekvizity:
Předpokládá se znalost základních souvislostí ze statistiky, optimalizace, teorie grafů a programování.
Obsah předmětu (anotace):
Kurz seznamuje se základními přístupy strojového učení, resp. hlubokého učení a klasickými metodami používanými v této oblasti. Použitelnost metod je demonstrována na řešení jednoduchých inženýrských problémů.
Metody vyučování:
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:
Požadavky pro udělení zápočtu: předložení funkčního softwarového projektu, který používá některou z probíraných implementací metod UI. Konkrétní specifikace probíhá na prvním cvičení. Kontrola postupu realizace projektu a konzultace jsou prováděny průběžně. Dále absolvování jednoho testu a splnění všech samostatných úkolů, které jsou průběžně zadávány. Celkem může student získat 40 bodů za cvičení (20 za projekt a 20 za test) a 60 bodů za zkoušku, celkem tedy max. 100 bodů. Hodnocení probíhá dle ECTS, tj. pro úspěšné absolvování musí student v každé části získat alespoň polovinu bodů (20 a 30).
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.
Typ (způsob) výuky:
    Přednáška  13 × 2 hod. nepovinná                  
    Cvičení s počítačovou podporou  13 × 2 hod. povinná                  
Osnova:
    Přednáška 1. Úvod do strojového učení a umělých neuronových sítí v kontextu umělé inteligence. Poznámky k biologické neuronové síti.
2. Architektury a klasifikace neuronových sítí. Perceptron.
3. Dopředné neuronové sítě, jedno a vícevrstvé sítě. ADALINE. Algoritmus Back Propagation. Optimalizační metody užité při návrhu ANN.
4. Neuronové sítě typu RBF a RCE. Topologicky organizované neuronové sítě (soutěživé učení, Kohonenovy mapy).
5. Metody shlukové analýzy. Redukce dimenze úlohy. Analýza hlavních komponent. Neuronové sítě typu LVQ, neuronové sítě ART.
6. Asociativní neuronové sítě (Hopfieldova, BAM), chování, stavový diagram, atraktory, učení.
7. Deep Neural Network. Konvoluční sítě (CNN). Deep Dream. Transfer Learning.
8. Deep Neural Network. R-CNN. Autoenkodéry.
8. Deep Neural Network. Klasifikace obrazových dat, rozpoznávání objektů na snímcích.
9. Deep Neural Network. Sémantická segmentace objektů na snímku.
10. Spiking neural Network.
    Cvičení s počítačovou podporou Počítačové cvičení bude korespondovat s osnovou přednášek v předešlém týdnu. Témata k řešení:
- implementace základních metaheuristik
- řešení problémů globální optimalizace
- využití global optimisation toolboxu
- využití deep neural network toolboxu
- tvorba nelineárních modelů s využitím neuronových sítí
- deep learning v počítačovém vidění pro klasifikaci obrazu
- detekce objektů v obraze s využitím Deep Learningu (R-CNN)
- sémantická segmentace obrazu s využitím Deep Learningu (SegNet)
- validace učení CNN a kontrola naučených sítí pomocí metody deep dream
Literatura - základní:
2. Sima,J., Neruda,R.: Theoretical questions of neural networks, MATFYZPRESS, 1996, ISBN 80-85863-18-9
Literatura - doporučená:
1. B. Kosko: Neural Networks and fuzzy systems. Prentice Hall 1992
2. Bishop, C. M.: Pattern Recognition, Springer Science + Business Media, LLC, 2006, ISBN 0-387-31073-8.
Zařazení předmětu ve studijních programech:
Program Forma Obor Spec. Typ ukončení   Kredity     Povinnost     St.     Roč.     Semestr  
N-AIŘ-P prezenční studium --- bez specializace -- zá,zk 5 Povinný 2 1 L