|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KEV / ATNM
:
Popis předmětu
Pracoviště / Zkratka
|
KEV
/
ATNM
|
Akademický rok
|
2023/2024
|
Akademický rok
|
2023/2024
|
Název
|
Automatická tvorba náhradních modelů
|
Způsob zakončení
|
Zápočet
|
Způsob zakončení
|
Zápočet
|
Akreditováno / Kredity
|
Ano,
4
Kred.
|
Forma zakončení
|
Kombinovaná
|
Forma zakončení
|
Kombinovaná
|
Rozsah hodin
|
Přednáška
2
[HOD/TYD]
Cvičení
2
[HOD/TYD]
|
Zápočet před zkouškou
|
Ne
|
Zápočet před zkouškou
|
Ne
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Počítán do průměru
|
NE
|
Vyučovací jazyk
|
Čeština, Angličtina
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / -
|
0 / -
|
0 / -
|
Počítán do průměru
|
NE
|
Zimní semestr
|
0 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Zimní semestr
|
Vyučovaný semestr
|
Zimní semestr
|
Minimum (B + C) studentů
|
10
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština, Angličtina
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
S|N |
Periodicita |
každý rok
|
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ne
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
S|N |
Nahrazovaný předmět
|
Žádný
|
Vyloučené předměty
|
Nejsou definovány
|
Podmiňující předměty
|
Nejsou definovány
|
Předměty informativně doporučené
|
Nejsou definovány
|
Předměty,které předmět podmiňuje
|
Nejsou definovány
|
Graf četnosti udělených hodnocení studentům napříč roky:
Obrázek PNG
,
XLS
|
Cíle předmětu (anotace):
|
Cílem předmětu je seznámit studenty s principy strojového učení a nejnovějšími metodami využívajícícmi strojové učení v kombinaci s fyzikálními modely používanými v inženýrských aplikacích. Studenti se seznámí se základy strojového učení na jednoduchých příkladech a automatickými nástroji umožňujícími jejich použití pro složitější aplikace. Studenti se také seznámí s jazykem Julia, v němž jsou všechny metody implementovány. Důraz je kladen na pochopení možností moderních technik typu neuronová diferenciální rovnice a physics-informed neuronové sítě.
|
Požadavky na studenta
|
Student má nárok na zápočet pokud získá dostatečný počet bodů za splnění domácích úkolů a závěrečný projekt. Domací úkoly budou zadávány na konci cvičení ve formě dokončení nebo doplnění probíraných příkladů. Závěrečný projekt si student vybere individuálně na základě své práce v jiných předmětech nebo zájmů. Závěrečný projekt je ve formě kompletního balíčku v jazyce Julia, případně jako pull request do existujícího balíčku. Náročnost projektu musí být odsouhlasena vyučujícím.
|
Obsah
|
1 Úvod a cíle kurzu. Základy jazyka Julia: syntaxe, řídící a datové structury, základní typy
2 Typový systém jazyka Julia, multiple-dispatch, makra a generovaný kód
3 Organizace kódu v jazyce Julia, použití a tvorba balíčků, vizualizace výsledků
4 Základní pojmy strojového učení demonstrované na lineární regresi: optimalizace, trénovací/testovací data, srovnání modelů
5 Optimalizační techniky, metoda gradient descent a její varianty, optimalizace s omezeními, problém lokálních minim. Balíček Optim.
6 Metody automatického derivování kódu, dopředný a zpětný režim. Balíčky ForwardDiff, ReverseDiff, Zygote
7 Neuronové sítě jako univerzální aproximátor. Základní arhcitektury a příklady jejich použití. Balíček Flux.
8 Učení dynamických systémů. Lineární systémy, nelineární (metoda Sindy) a rekurentní sítě.
9 Neuronové diferenciální rovnice, obyčejné i parciální. Metoda physics-informed neural networks. Balíčky DataDrivenDiffEq a SciML.
10 Analytické pravděpodobnostní metody. Gausovské modely nejmenších čtverců, Gausovské procesy. Balíček AbstractGP.
11 Metody Monte Carlo s důrazem na Hamiltonovské metody, pravděpodobnostní programování. Balíček Turing.
12 Návrh experimentů (Design of experiments), vlastní řešení pro lineární modely, Bayesovská optimalizace.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
|
Literatura
|
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Kontaktní výuka
|
52
|
Projekt individuální [40]
|
40
|
Příprava na laboratorní měření, zpracování výsledků [1-8]
|
10
|
Celkem
|
102
|
|
Předpoklady
|
Odborné znalosti - pro úspěšné zvládnutí předmětu se předpokládá, že je student před zahájením výuky schopen: |
prakticky využívat základní znalosti z matematické analýzy, lineární algebry, pravděpodobnosti a statistiky
|
využívat fyzikální zakony k tvorbě modelů |
Odborné dovednosti - pro úspěšné zvládnutí předmětu se předpokládá, že student před zahájením výuky dokáže: |
programovat v některém z vyšších programovacích jazyků, např. C++, C#, MATLAB nebo python
|
studovat odbornou literaturu v anglickém jazyce |
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
mgr. studium: samostatně získávají další odborné znalosti, dovednosti a způsobilosti na základě především praktické zkušenosti a jejího vyhodnocení, ale také samostatným studiem teoretických poznatků oboru., |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
použít vybraných metod strojového učení pro tvorbu matematických modelů z dat |
využít matematického modelu pro optimalizaci fyzikálního systému |
Odborné dovednosti - po absolvování předmětu prokazuje student dovednosti: |
použit základy jazyka Julia |
využít existující nástroje pro praktické úlohy |
aplikovat metody strojového učení pro urychlení inovací a výzkumu v oblasti elektrotechniky |
Obecné způsobilosti - po absolvování předmětu je student schopen: |
mgr. studium: plánují, podporují a řídí s využitím teoretických poznatků oboru získávání dalších odborných znalostí, dovedností a způsobilostí ostatních členů týmu, |
mgr. studium: dle vyvíjejících se souvislostí a dostupných zdrojů vymezí zadání pro odborné činnosti, koordinují je a nesou konečnou odpovědnost za jejich výsledky, |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Výstupní projekt, |
Průběžné hodnocení, |
Odborné dovednosti - odborné dovednosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Výstupní projekt, |
Obecné způsobilosti - obecné způsobilosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
Průběžné hodnocení, |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
Přednáška založená na výkladu, |
Přednáška s aktivizací studentů, |
Odborné dovednosti - pro dosažení odborných dovedností jsou užívány vyučovací metody: |
Cvičení (praktické činnosti), |
Projektová výuka, |
Obecné způsobilosti - pro dosažení obecných způsobilostí jsou užívány vyučovací metody: |
Řešení problémů, |
|
|
|
|