|
Vyučující
|
-
Pečínka Luboš, prof. Ing. Ph.D.
-
Mach Ladislav, Ing. Ph.D.
|
|
Obsah předmětu
|
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.
|
|
Studijní aktivity a metody výuky
|
Laboratorní praktika, Přednáška
- Kontaktní výuka
- 52 hodin za semestr
- Příprava na laboratorní měření, zpracování výsledků [1-8]
- 10 hodin za semestr
- Projekt individuální [40]
- 40 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| prakticky využívat základní znalosti z matematické analýzy, lineární algebry, pravděpodobnosti a statistiky |
| využívat fyzikální zakony k tvorbě modelů |
| Odborné dovednosti |
|---|
| programovat v některém z vyšších programovacích jazyků, např. C++, C#, MATLAB nebo python |
| studovat odbornou literaturu v anglickém jazyce |
| Obecné způsobilosti |
|---|
| 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 |
|---|
| použít vybraných metod strojového učení pro tvorbu matematických modelů z dat |
| využít matematického modelu pro optimalizaci fyzikálního systému |
| Odborné 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 |
|---|
| 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, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška založená na výkladu, |
| Přednáška s aktivizací studentů, |
| Odborné dovednosti |
|---|
| Cvičení (praktické činnosti), |
| Projektová výuka, |
| Obecné způsobilosti |
|---|
| Řešení problémů, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Výstupní projekt, |
| Průběžné hodnocení, |
| Odborné dovednosti |
|---|
| Výstupní projekt, |
| Obecné způsobilosti |
|---|
| Průběžné hodnocení, |
|
Doporučená literatura
|
-
Bishop, Christopher M. Pattern recognition and machine learning. New York : Springer, 2006. ISBN 0-387-31073-8.
|