Strojové učení pro zpracování průmyslových dat (FSI-VAI-A)

Cílem předmětu je seznámit studenty s pokročilými metodami strojového učení využívanými při zpracování průmyslových dat. Studenti se seznámí s moderními modely pro analýzu časových řad, průmyslových signálů a obrazových dat, včetně rekurentních a konvolučních neuronových sítí, autoencoderů, transformerů a fyzikálně informovaných neuronových sítí. Důraz je kladen na pochopení principů hlubokého učení, rekonstrukčních metod, detekce anomálií a modelování komplexních procesů. Předmět propojuje teorii s praktickými aplikacemi pro návrh, trénink a vyhodnocení modelů strojového učení v průmyslové praxi.

Předpokládá se znalost základů strojového učení, optimalizace a programování.

Předmět poskytuje přehled moderních modelů strojového učení pro analýzu dat ze snímačů, včetně dat obrazových, detekci anomálií v těchto datech a použití fyzikálně informovaných neuronových sítí při modelování průmyslových procesů.

Znalosti a dovednosti jsou ověřovány zápočtem a zkouškou. Požadavky pro zápočet: zpracování zadaných úloh. Účast na přednáškách je doporučená, účast na cvičeních je povinná. Cvičení, která nemůže student absolvovat v řádné termínu je možno nahradit v termínu náhradním. Zkouška je ústní a pokrývá celé probrané učivo.

1. Aplikační oblasti strojového učení při zpracování průmyslových dat. Klasické statistické modely pro práci s časovými řadami, hodnocení výkonu modelů pro časové řady.


2. Opakování dopředných neuronových sítí (MLP), problém mizejícího gradientu, hluboké neuronové sítě.


3. Rekurentní neuronové sítě (RNN), dlouhá krátkodobá paměť (LSTM), rekurentní jednotka s branami (GRU) a jejich užití v průmyslu.


4. Konvoluční neuronové sítě (CNN), časové konvoluční sítě (TCN) a jejich užití v průmyslu.


5. Hluboké konvoluční neuronové sítě pro zpracování obrazu a jejich aplikace při klasifikaci obrazů a detekci objektů v obrazech.


6. Základní idea autoencoderů (AE), konvoluční AE, odšumovací AE, a jejich užití v průmyslu.


7. Variační AE, AE pro časové řady, a jejich užití v průmyslu.


8. Segmentaci obrazu.


9. Detekce anomálií, hodnocení výkonu modelů pro detekci anomálií, jednotřídní klasifikace.


10. Transformey pro časové řady a obrazy.


11. Propojení fyziky a strojového učení, fyzikálně informované neuronové sítě (PINNs): princip, ztrátové funkce, kolokační body, okrajové podmínky.


12. Aplikace PINNs v průmyslu.


13. Opakování.

1. Práce s časovými řadami, základní statistické modely, hodnocení výkonu predikce časových řad.


2. Demonstrace problému mizejícího gradientu, trénink hlubokých neuronových sítí.


3. Implementace RNN, LSTM a GRU pro predikci časových řad.


4. Implementace 1D CNN, aplikace TCN na časové řady.


5. Trénink hluboké CNN pro klasifikaci obrazů a ukázka detekce objektů.


6. Implementace základního autoencoderu, konvolučního AE a odšumovacího AE.


7. Implementace variačního AE a autoencoderu pro časové řady.


8. Implementace segmentace pomocí U-Netu.


9. Detekce anomálií pomocí rekonstrukce, jednotřídní klasifikace.


10. Základní implementace Transformers pro časové řady a obrazy.


11. Implementace PINNs.


12. Praktické úlohy s PINNs.


13. Zápočet.

BOX, George E. P.; JENKINS, Gwilym M.; REINSEL, Gregory C. a LJUNG, Greta M. Time series analysis: forecasting and control. Fifth edition. Wiley series in probability and mathematical statistics. Hoboken: Wiley, [2016]. ISBN 978-1-118-67502-1.

KUO, Chris. Modern Time Series Forecasting Techniques For Predictive Analytics and Anomaly Detection: From Classical Foundations to Cutting-Edge Applications. Innovation Press, 2024. ISBN 979-8990781009.

BATY, Hubert. A hands-on introduction to Physics-Informed Neural Networks for solving partial differential equations with benchmark tests taken from astrophysics and plasma physics. 2024. hal-04491808