Umělá inteligence |
Úvod |
Vícerozměrné metody pro analýzu a klasifikaci dat |
Statistické modelování |
Teorie a praxe jádrového vyhlazování |
Regresní modelování |
Statistické hodnocení biodiverzity |
Výstupy z výukové jednotky |
Umělá inteligence |
Posouzení inteligence strojového algoritmu |
Literatura |
Expertní systémy |
Výstupy z výukové jednotky |
Expertní systém (ES) |
Komponenty expertních systémů |
Pravidlové expertní systémy |
Nepravidlové expertní systémy |
Neurčitost v ES |
Literatura |
Prohledávání stavového prostoru |
Výstupy z výukové jednotky |
Úvod |
Definice stavového prostoru |
Metody prohledávání |
Neuronové sítě - jednotlivý neuron |
Hodnocení metod |
Neinformované prohledávání |
Literatura |
Metoda prohledávání do šířky |
Metoda prohledávání do hloubky |
Metoda prohledávání do hloubky s omezenou hloubkou prohledávání |
Metoda prohledávání do hloubky s postupným prohlubováním |
Metoda prohledávání podle ceny |
Souhrn neinformovaných metod |
Informované heuristické prohledávání |
Lokální metody prohledávání |
Výstupy z výukové jednotky |
Úvod do neuronových sítí |
Jednotlivý neuron |
Adaptační dynamika neuronu |
Neuronové sítě - Perceptrony |
Principy učení neuronu obecně |
Učení bez učitele |
Učení s učitelem |
Hebbovo učení |
Delta pravidlo |
Učení neuronu podle Widrowa |
Klasifikační schopnosti jednotlivého neuronu |
Realizace logické funkce AND |
Realizace logických funkcí OR a NOT |
Realizace logické funkce XOR |
Souhrn klasifikačních schopností jednotlivého neuronu |
Literatura |
Výstupy z výukové jednotky |
Dopředné neuronové sítě |
Jednovrstvý perceptron |
Vícevrstvý perceptron |
Sítě se vzájemnými vazbami |
Organizační a aktivní dynamika |
Ilustrace klasifikačních možnosti vícevrstvého perceptronu |
Klasifikační možnosti vícevrstvého perceptronu - Kolmogorova věta |
Adaptační dynamika |
Algoritmus zpětného šíření chyby (BP algoritmus) |
Minimalizace chybové funkce adaptačním algoritmem |
Vícevrstvý perceptron a syndrom přeučení |
Literatura |
Výstupy z výukové jednotky |
Obecná charakteristika umělých neuronových sítí se vzájemnými vazbami |
Hopfieldova síť |
Boltzmannův stroj |
Obousměrná asociativní paměť |
Literatura |
Soutěživé sítě |
Výstupy z výukové jednotky |
Jednoduchá soutěživá síť MAXNET |
Hammingova síť |
Samoorganizující se mapy |
Úvod do genetických algoritmů (GA) |
Kohonenova samoorganizační mapa –učení s učitelem |
Jednoduchá samoorganizační mapa |
Adaptační dynamika jednoduché samoorganizační mapy |
Kohonenova samoorganizační mapa |
Kohonenova samoorganizační mapa – adaptační dynamika |
Literatura |
Výstupy z výukové jednotky |
Základní pojmy genetických algoritmů |
Podklady pro výuku |
Mutace |
Základní pojmy |
Operátor selekce |
Úlohy GA |
Literatura |
Seřazovací metoda |
Ruletová selekce |
Selekce lineárním a exponenciálním výběrem |
Boltzmanův výběr |
Další typy selekce |
Křížení |
Výstupy z výukové jednotky
Student:
- je seznámen a rozumí analogii mezi umělými neuronovými sítěmi a jejich biologickou motivací, rozumí pojmům z topologie NN - neuron, vrstva, spoj,
- umí parametricky definovat matematický model jednotlivého neuronu a definovat význam jednotlivých parametrů a typů přenosových funkcí neuronu,
- rozumí aktivní dynamice neuronu a její geometrické interpretaci,umí ji matematicky formalizovat,
- má osvojené základní pojmy a algoritmy adaptační dynamiky jednotlivého neuronu:
- Hebbovo pravidlo,
- delta pravidlo,
- učení dle Widrowa,
- trénovací a testovací množiny,
- umí si sát do vztahu matematické logické funkce AND, OR, NOT a XOR s klasifikačními schopnostmi jednotlivého neuronu,
- je schopen pomocí nastavení parametrů neuronu implementovat modelový návrh logických funkcí AND, OR, NOT
- chápe klasifikační schopnosti jednotlivého neuronu se dvěma vstupy a binárním výstupem a jeho geometrickou interpretaci v rovině.