Předmět: Soft Computing

» Seznam fakult » PRF » KMI
Název předmětu Soft Computing
Kód předmětu KMI/PGSSC
Organizační forma výuky Konzultace
Úroveň předmětu Doktorský
Rok studia nespecifikován
Semestr Zimní a letní
Počet ECTS kreditů 12
Vyučovací jazyk Čeština, Angličtina
Statut předmětu nespecifikováno
Způsob výuky Kontaktní
Studijní praxe Nejedná se o pracovní stáž
Doporučené volitelné součásti programu Není
Vyučující
  • Bělohlávek Radim, prof. RNDr. Ph.D., DSc.
  • Konečný Jan, doc. RNDr. Ph.D.
Obsah předmětu
Přehled poskytuje úvod pro studium oblastí soft computing. Zaměřuje se na teorie a aplikace fuzzy množin, teorie neurčitosti, neuronových sítí a genetických algoritmů. Fuzzy množiny: fuzzy množiny a operace s nimi, fuzzy relace a operace s nimi, základní typy fuzzy relací. Vybrané aplikace fuzzy množin: pravidlové systémy, fuzzy regulátory, aproximační vlastnosti. Teorie neurčitosti založené na monotónních měrách: Choquetovy kapacity, possibility/necessity míry, belief/plausibility míry, pravděpodobnostní míry, další speciální míry. Rough sets, nerozlišitelnost, horní a dolní aproximace a související pojmy, zejm. pojmy informační systém, rozhodovací tabulka, indukované relace. Rough sets a fuzzy množiny. Vybrané oblasti použití rough sets. Neuronové sítě: základní pojmy, neuron, neuronová síť, učení, trénovací a testovací množina. Jednoduchý perceptron a jeho adaptace. Vícevrstvé neuronové sítě, univerzální aproximační schopnost, adaptace metodou backpropagation. Příklady použití vícevrstvých neuronových sítí. Vybrané teoretické problémy (složitost učení, aproximační vlastnosti). Hopfieldovy a asociativní neuronové sítě: architektura, stabilita, adaptace, použití v optimalizačních problémech (stabilní body jako řešení). Genetické algoritmy: základní princip a pojmy, Hollandova věta o schématech.

Studijní aktivity a metody výuky
Přednášení
Výstupy z učení
Studenti se seznámí se základními pojmy z soft computing.
2. Porozumění Popsat a důkladně pochopit principy a metody soft computing.
Předpoklady
nespecifikováno

Hodnoticí metody a kritéria
Ústní zkouška, Písemná zkouška

Aktivní účast v hodině. Plnění zadaných úkolů. Složení ústní (příp. písemné) zkoušky.
Doporučená literatura
  • Goldberg D. E. (1989). Genetic Algorithms in Search, Optimization & Machine Learning. Addison-Wesley, New York.
  • Klir G. J., Yuan B. (1995). Fuzzy Sets and Fuzzy Logic: Theory and Applications. Prentice-Hall.
  • Rojas R. (1996). Neural Networks: A Systematic Introduction. Springer.


Studijní plány, ve kterých se předmět nachází
Fakulta Studijní plán (Verze) Kategorie studijního oboru/specializace Doporučený ročník Doporučený semestr