Strojové učení v inženýrských výpočtech; (FSI-QAI)

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

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.

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.

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

SANGHI, Nimish. Deep Reinforcement Learning with Python. 1st ed. Apress Berkeley, CA, c2021. ISBN 978-1-4842-6809-4.