|
|
Hlavní nabídka Prohlížení IS/STAG
Nalezené předměty, počet: 1
Stránkování výsledků vyhledávání
Nalezeno 1 záznamů
Export do Xls
Informace o předmětu
KIP / 7BIOM
:
Popis předmětu
Pracoviště / Zkratka
|
KIP
/
7BIOM
|
Akademický rok
|
2022/2023
|
Akademický rok
|
2022/2023
|
Název
|
Biologií inspirované metody
|
Způsob zakončení
|
Zkouška
|
Způsob zakončení
|
Zkouška
|
Akreditováno / Kredity
|
Ano,
6
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
|
ANO
|
Vyučovací jazyk
|
Čeština
|
Obs/max
|
|
|
|
Automatické uznávání zápočtu před zkouškou
|
Ne
|
Letní semestr
|
0 / 0
|
5 / -
|
0 / 1
|
Počítán do průměru
|
ANO
|
Zimní semestr
|
0 / -
|
0 / -
|
0 / -
|
Opakovaný zápis
|
NE
|
Opakovaný zápis
|
NE
|
Rozvrh
|
Ano
|
Vyučovaný semestr
|
Letní semestr
|
Vyučovaný semestr
|
Letní semestr
|
Minimum (B + C) studentů
|
nestanoveno
|
Volně zapisovatelný předmět |
Ano
|
Volně zapisovatelný předmět
|
Ano
|
Vyučovací jazyk
|
Čeština
|
Počet dnů praxe
|
0
|
Počet hodin kontaktní výuky |
|
Hodnotící stupnice |
A|B|C|D|E|F |
Periodicita |
každý rok
|
Periodicita upřesnění |
|
Základní teoretický předmět |
Ne
|
Profilující předmět |
Ano
|
Základní teoretický předmět |
Ne
|
Hodnotící stupnice |
A|B|C|D|E|F |
Nahrazovaný předmět
|
KIP/EVANN
|
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 seznámení jeho posluchačů s moderními výpočetními metodami odvozených z biologických procesů, zejména s evolučními algoritmy a umělými neuronovými sítěmi.
- Seznámení s problematikou globální optimalizace a heuristickými metodami hledání globálního minima, technikami implementace heuristických metod a ověřováním heuristických algoritmů.
- Seznámení s problematikou umělých neuronových sítích a možnostech jejich použití v oblasti umělé inteligence.
Po úspěšném absolvování předmětu bude absolvent schopen aplikovat probírané metody na reálné problémy.
Poznámka: Tento předmět nebo jeho část může být přednášena/cvičena v anglickém jazyce. Zda v daném akademickém roce bude výuka v AJ realizována, může student ověřit dotazem u tajemníka katedry při registraci předmětu.
|
Požadavky na studenta
|
Zkoušku student absolvuje v souladu s platností Studijního a zkušebního řádu OU.
Během semestru se bodově hodnotí:
- Aktivní účast na cvičení (max. 10 bodů)
- Zpracování semestrálního projektu (max. 30 bodů)
Je vyžadována aspoň sedmdesátiprocentní účast studenta na cvičeních.
Součástí ústní zkoušky prokázání přehledu o probíraných algoritmech, jejich principech, implementaci a použití. - max. 60 bodů.
|
Obsah
|
1. Současný stav v oblasti biologií inspirovaných metod. Formulace problému globální optimalizace. Spojité a diskrétní problémy. Heuristické hledání globálního extrému.
2. Testování heuristických algoritmů, testovací funkce, veličiny charakterizující spolehlivost a rychlost konvergence algoritmu. Návrh experimentu. Statistické metody pro porovnávání výkonnosti algoritmů.
3. Stochastické prohledávání, řízené náhodné prohledávání a jeho modifikace. Horolezecké algoritmy, tabu search.
4. Genetické algoritmy, evoluční strategie.
5. Diferenciální evoluce. Adaptivní varianty diferenciální evoluce.
6. Symbolická regrese, genetické programování, gramatická evoluce, analytické programování.
7. Migrační algoritmy, PSO, SOMA.
8. Umělé neuronové sítě založené na principu učení s učitelem.
9. Umělé neuronové sítě založené na principu učení bez učitele.
10. Neuroevoluce. Použití evolučních technik při optimalizaci neuronových sítě.
11. Modularita neuronových sítí.
12. Hluboké neuronové sítě. Moderní trendy v oblasti neuronových sítí.
|
Aktivity
|
|
Studijní opory
|
|
Garanti a vyučující
|
-
Garanti:
prof. RNDr. PaedDr. Eva Volná, PhD. (100%),
-
Přednášející:
doc. RNDr. Petr Bujok, Ph.D. (50%),
prof. RNDr. PaedDr. Eva Volná, PhD. (50%),
-
Cvičící:
doc. RNDr. Petr Bujok, Ph.D. (50%),
prof. RNDr. PaedDr. Eva Volná, PhD. (50%),
|
Literatura
|
-
Základní:
Evoluční algoritmy
(Tvrdík, J.)
-
Základní:
Evoluční algoritmy a neuronové sítě.Učební text pro distanční studium.
(Volná, E.)
-
Základní:
Zelinka, I., Oplatková, Z., Šeda, M., Ošmera, P. Včelař, F. Evoluční výpočetní techniky. Principy a aplikace. BEN ?technická literatura, Praha, 2009. ISBN 9788073002183.
-
Základní:
KHOSRAVY, Mahdi, et al. Frontier Applications of Nature Inspired Computation. Springer International Publishing, 2020. ISBN 9789811521324.
-
Rozšiřující:
Daniel Graupe. Deep Learning Neural Networks. USA, 2016. ISBN 978-981-3146-45-7.
-
Rozšiřující:
Fausett, L. V. Fundamentals of Neural Networks. Prentice-Hall, Inc., Englewood Cliffs, New Jersey 1994.. ISBN 9780133341867.
-
Rozšiřující:
Maren, Alianna J., Craig T. Harston, and Robert M. Pap. Handbook of neural computing applications. USA, 2014. ISBN 0-12-546090-2.
-
Rozšiřující:
Neuronové sítě 1. OU, distanční texty, Ostrava 2008.
(Volná, E.)
-
Doporučená:
Dan Simon. Evolutionary Optimization Algorithms. 2013. ISBN 978-0-470-93741-9.
-
Doporučená:
Howard B. Demuth, Mark H. Beale, Orlando De Jess, Martin T. Hagan. Neural Network Design. USA, 2014. ISBN 9780971732117.
-
Doporučená:
Samarasinghe Sandhya. Neural networks for applied sciences and engineering: from fundamentals to complex pattern recognition. USA, 2016. ISBN 978-1-4200-1306-1.
-
Doporučená:
Stochastické algoritmy pro globální optimalizaci
(Tvrdík, J.)
-
On-line katalogy knihoven
|
Časová náročnost
|
Všechny formy studia
|
Aktivity
|
Časová náročnost aktivity [h]
|
Prezentace (prací, projektů aj.)
|
2
|
Účast na výuce
|
52
|
Konzultace s vyučujícím (včetně elektronické)
|
6
|
Samostudium
|
55
|
Příprava na zkoušku
|
30
|
Semestrální práce
|
35
|
Celkem
|
180
|
|
Předpoklady
|
Obecné způsobilosti - před zahájením studia předmětu je student schopen: |
bez předpokladů |
Student má základní znalosti maticového počtu a zná základní algoritmické operace. |
|
Výsledky učení
|
Odborné znalosti - po absolvování předmětu prokazuje student znalosti: |
Principy biologií inspirovaných metod (zejména evolučních algoritmů a umělých neuronových sítí) a jejich implementace, výhody a nevýhody při jejich aplikaci. |
Odborné dovednosti - po absolvování předmětu prokazuje student dovednosti: |
Po úspěšném absolvování předmětu bude student schopen aplikovat vybrané biologií inspirované metody na reálné problémy. |
|
Hodnoticí metody
|
Odborné znalosti - odborné znalosti dosažené studiem předmětu jsou ověřovány hodnoticími metodami: |
IC10 - Prezentace ve výuce (individuální nebo skupinová) |
IIB25 - Seminární práce / referát |
IC6 - Ústní zkouška |
|
Vyučovací metody
|
Odborné znalosti - pro dosažení odborných znalostí jsou užívány vyučovací metody: |
A1 - Přednáška |
B1 - Diskuse |
C7 - Počítačová simulace |
E6 - Projektová výuka |
|
|
|
|