Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Předmět je zaměřen na problematiku počítačové inteligence a strojového učení včetně konstrukce matematických modelů neuronových sítí a jejich optimalizaci z hlediska potřeb zpracování signálů a adaptivního potlačování jejich rušivých složek. Zvláštní pozornost je dále věnována užití umělých neuronových sítí pro klasifikaci komponent signálů a obrazů a dále pro rozpoznávání vzorů. Vybrané případové studie presentované ve výpočetním systému MATLAB jsou zaměřené na analýzu biomedicínských a inženýrských dat.
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
The subject is devoted to selected problems of computational intelligence and machine learning including architecture of artificial neural networks, their optimization for signal and image processing and their use for adaptive noise rejection. A special attention is paid to signal and image features extraction, pattern recognition and to the use of neural networks for their classification into given number of classes. Selected case studies presented in the MATLAB computational environment are devoted to biomedical and engineering data processing.
Výstupy studia předmětu -
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
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
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
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
Deskriptory -
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Přednášky a ověřování vybraných metod v počítačové laboratoři.
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Lectures and practical verification of proposed algorithms in the computer laboratory.
Požadavky ke kontrole studia -
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
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.
Poslední úprava: Procházka Aleš prof. Ing. CSc. (31.08.2015)
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.
Sylabus -
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
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
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
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
Vstupní požadavky -
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Základy počítačové gramotnosti, základy numerické metematioky
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Fundamentals of computer intelligence, fundamentals of numerical methematics
Studijní prerekvizity -
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Matematika I, II
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Mathematics 1, 2
Podmínky zakončení předmětu -
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Úspěšné absolvování závěrečného kolokvia s presentací a diskusí vybraného odborného tématu.
Poslední úprava: Procházka Aleš prof. Ing. CSc. (05.01.2018)
Participation on the final colloquium with the presentation and discussion of a selected research topic.
