Úspěšné absolvování závěrečného kolokvia s presentací a diskusí vybraného odborného tématu.

Participation on the final colloquium with the presentation and discussion of a selected research topic.

Z: S. Haykin: Neural Networks, Prentice Hall, 1999, ISBN 0132733501

Z: S. Samarasinghe: Neural Networks for Applied Science and Engineering, CRC Press, 2016

D: Vaseghi S.V.: Multimedia Signal Processing, Wiley, 2007

D: WIKIBOOK: Artificial Neural Networks, https://en.wikibooks.org/wiki/Artificial_Neural_Networks, 2018

Z: S. Haykin: Neural Networks, Prentice Hall, 1999, ISBN 0132733501

Z: S. Samarasinghe: Neural Networks for Applied Science and Engineering, CRC Press, 2016

D: Vaseghi S.V.: Multimedia Signal Processing, Wiley, 2007

D: WIKIBOOK: Artificial Neural Networks, https://en.wikibooks.org/wiki/Artificial_Neural_Networks, 2018

Přednášky a ověřování vybraných metod v počítačové laboratoři.

Lectures and practical verification of proposed algorithms in the computer laboratory.

V rámci studia je nutné alternativně předložit publikaci s aplikací vybraných metod počítačové inteligence v oblasti vlastní odborné práce nebo zpracovat 3 projekty v prostředí systému MATLAB/Simulink.

During studies of this subject it is necessary either to submit the own paper using computational intelligence in the area of own research or to evaluate three projects and their solution in MATLAB.

1. Metody počítačové inteligence ve zpracování dat

2. Architektura umělých neuronových sítí, jejich modelování a optimalizace v prostředí systému MATLAB

3. Učení a verifikace učícího procesu

4. Adaptivní lineární element a jeho využití pro potlačování rušivých složek signálů

5. Vícevrstvé dopředné a rekurentní sítě v predikci časových řad

6. Konstrukce matice vzorů a její využití pro klasifikaci dílčích komponent signálů a obrazů

7. Neuronové sítě s topologií, alternativní metody klasifikace dat

8. Strojové učení, rozpoznávání vzorů

9. Užití neuronových sítí ve zpracování obrazů

10. Neronové sítě s hloubkovým učením

11. Vybrané aplikace adaptivního zpracování dat, neuronové sítě v robotice

12: CASE STUDY 1: Potlačování rušivých složek reálných dat

13. CASE STUDY 2: Predikce chování dat

14. CASE STUDY 3: Extrakce vlastní a klasifikace v biomedicíně

1. Computational intelligence in data processing

2. Architecture of artificial neural networks, their modelling and optimization in the MATLAB environment

3. Learning and verification

4. Adaptive lineare element and their use in signal denoising

5. Multilayesr feedforward and recurrent neural networks in signal prediction

6. Feature matrix construction and classification methods in signal and image processing

7. Neural networks with topology, alternative methods of data classification

8. Machine learning, pattern recognition

9. Neural networks in image processing

10. Neural networks based on deep learning

11. Selected applications of adaptive signal processing, neural networks in robotics

12: CASE STUDY 1: Real data denoising

13. CASE STUDY 2: Signal prediction

14. CASE STUDY 3: Feature extraction and classification in biomedicine

http://uprt.vscht.cz/prochazka/pedag/lectures/ATHENS_DSP.pdf

http://uprt.vscht.cz/prochazka/pedag/lectures/SP0_MATLAB_2006EN.pdf

http://uprt.vscht.cz/prochazka/pedag/lectures/ATHENS_DSP.pdf

http://uprt.vscht.cz/prochazka/pedag/lectures/SP0_MATLAB_2006EN.pdf

Studenti budou umět (i) matematicky modelovat vícevrstvé a rekurentní neuronové sítě, (ii) tvořit matice vzorů pro aplikace umělých neuronových sítí, (iii) optimalizovat matematické modely neuronových sítí pro potřeby klasifikace dat, (iv) využít neuronové sítě pro adaptivní potlačování rušivých složek signálů a pro jejich predikci a (v) navrhovat algoritmické výpočetní prostředí pro klasifikaci dat

Students will know how

(i) to model multilayer and reccurent neural networks,

(ii) to create pattern matrices forming inputs for neural networks,

(iii) to optimize neural networks for data classification,

(iv) to use neural networks for noise cancelling and signal prediction

(v) to propose computationa environment for real data segmmentation and classification

nejsou

none

nejsou

none