Detail předmětu

Soft Computing

SFC Ak. rok 2025/2026 zimní semestr 5 kreditů

Aktuální akademický rok

Soft computing je zastřešující název (který nemá použitelný český překlad) pro netradiční technologie, resp. přístupy k řešení obtížných problémů. Obsah předmětu je ve shodě s významem jeho názvu následující: Tolerance pro nepřesnost a neurčitost jako základní atributy teorií soft-computing. Neuronové sítě. Fuzzy logika. Posilované učení. Optimalizační algoritmy inspirované přírodou. Pravděpodobnostní usuzování. Hrubé množiny. Chaos.  Hybridní přístupy (kombinace neuronových sítí, fuzzy logiky a genetických algoritmů) .

Garant předmětu

Janoušek Vladimír, doc. Ing., Ph.D. (UITS)

Koordinátor předmětu

Zbořil František, doc. Ing., CSc. (UITS)

Jazyk výuky

česky

Zakončení

zápočet+zkouška (písemná)

Rozsah

  • 26 hod. přednášky
  • 26 hod. projekty

Bodové hodnocení

  • 55 bodů závěrečná zkouška (písemná část)
  • 15 bodů půlsemestrální test (písemná část)
  • 30 bodů projekty

Zajišťuje ústav

Ústav inteligentních systémů (UITS)

Přednášející

Janoušek Vladimír, doc. Ing., Ph.D. (UITS)

Cvičící

Janoušek Vladimír, doc. Ing., Ph.D. (UITS)
Veigend Petr, Ing., Ph.D. (UITS)
Zbořil František, doc. Ing., CSc. (UITS)

Cíle předmětu

Seznámit studenty se základy teorií soft-computing, tj. se základy teorií netradičních technologií a přístupů k řešení obtížných problémů reálného světa.

  • Studenti se seznámí se základními typy neuronových sítí a jejich aplikacemi.
  • Studenti se seznámí se základy teorie fuzzy množin a fuzzy logiky včetně návrhu fuzzy regulátoru.
  • Studenti se seznámí s teorií a aplikací posilovaného učení.
  • Studenti se seznámí s optimalizačními algoritmy inspirovanými přírodou.
  • Studenti se seznámí s problematikou pravděpodobnostního usuzování.
  • Studenti se seznámí se základy teorie hrubých množin a s použitím těchto množin při dolování znalostí z databází.  
  • Studenti se seznámí se základy teorie chaosu.
  • Studenti se naučí odborné terminologii z oblasti soft-computing, a to jak v českém, tak i anglickém jazyce.
  • Studenti si uvědomí důležitost tolerance nepřesnosti a neurčitosti pro konstrukci robustních inteligentních zařízení a systémů.

Požadované prerekvizitní znalosti a dovednosti

  • Programování v jazycích C++ nebo Python.
  • Základní znalosti z diferenciálního počtu a teorie pravděpodobnosti.

Literatura studijní

  • Graube, D.: Principles of Artificial Neural networks, World Scientific Publishing Co. Pte. Ltd., third edition, 2013
  • Rutkowski, L.: Flexible Neuro-Fuzzy Systems, Kluwer Academic Publishers, 2004, ISBN 1-4020-8042-5
  • Shi, Z.: Advanced Artificial Intelligence, World Scientific Publishing Co. Pte. Ltd., 2011, ISBN-13 978-981-4291-34-7

Literatura referenční

Studijní opory

Osnova přednášek

  1. Úvod. Neuronové sítě. Backpropagation.
  2. Neuronové sítě RBF, ART. Hopfieldova síť a Boltzmannův stroj.
  3. Konvoluční neuronové sítě. Hluboké učení.
  4. Časové řady. Rekurentní neuronové sítě. LSTM, GRU.
  5. Rekurentní sítě se spojitým časem. Tekuté neuronové sítě.
  6. Fuzzy množiny, fuzzy k-means, fuzzy logika.
  7. Fuzzy řízení. Adaptivní neuro-fuzzy systémy., 
  8. Markovský rozhodovací proces a posilované učení.
  9. Genetické algoritmy a genetické programování.
  10. ACO, PSO a jiné optimalizační algoritmy inspirované přírodou.
  11. Pravděpodobnostní usuzování, Bayesovské sítě.
  12. Hrubé množiny a jejich aplikace.
  13. Chaos. Hybridní přístupy.

Osnova ostatní - projekty, práce

Individuální projekt - řešení konkrétního problému (klasifikace, optimalizace, asociace, řízení).

Průběžná kontrola studia

  • Půlsemestrální písemný test - 15 bodů.
  • Projekt - 30 bodů.
  • Závěrečná písemná zkouška - 55 bodů, minimálně však 25 bodů.

Zařazení předmětu ve studijních plánech

Nahoru