|
Vyučující
|
-
Šmídl Václav, prof. Ing. Ph.D.
|
|
Obsah předmětu
|
1. Definice standardních úloh v časových řadách (predikce, detekce poruchy, hlazení). 2. Klasické přístupy (fft, filtrace). 3. Moderní metody predikce časových řad - rekurentní neuronové sítě. 4. Strukturované stavové modely (SSM) transformery a jejich vazby. 5. Zpracování dat z více modalit (sensor fusion). 6. Aplikace v detekci poruch a anomálií. 7. Teorie grafů, grafové neuronové sítě. 8. Použití grafových neuronových sítí v elektrických obvodech. 9. Využití neuronových sítí pro řešení a identifikaci diferenciálních rovnic (PINN). 10. Odhad neurčitosti predikce modelu obecně (MC dropout, ensembles) a pro jednotlivé speciální případy. 11. Využití v metodách aktivního učení a návrhu zařízení. 12. Metody vysvětlitelnosti modelu (attention, attribution, abductive explanation).
|
|
Studijní aktivity a metody výuky
|
Individuální konzultace, Skupinová konzultace, Samostatná práce studentů
- Projekt individuální [40]
- 40 hodin za semestr
- Vypracování seminární práce v magisterském studijním programu [5-100]
- 20 hodin za semestr
- Kontaktní výuka
- 52 hodin za semestr
|
| Předpoklady |
|---|
| Odborné znalosti |
|---|
| mít základní znalost programovacích konceptů v Pythonu |
| mít základní znalost konceptů strojového učení (křížová validace, optimalizace, věrohodnost) |
| Odborné dovednosti |
|---|
| ovládat běžně dostupnou výpočetní techniku |
| implementovat základní algoritmy, datové a řídící struktury |
| Obecné způsobilosti |
|---|
| mgr. studium: samostatně a odpovědně se na základě rámcového zadání rozhodují v souvislostech jen částečně známých, |
| mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i laikům informace o povaze odborných problémů a vlastním názoru na jejich řešení, |
| 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 |
|---|
| vysvětlit moderní algoritmy strojového učení a aplikovat je na praktické problémy |
| mít znalost různých typů dat včetně časových řad, grafů a diferenciálních rovnic |
| Odborné dovednosti |
|---|
| aplikovat moderní algoritmy strojového učení na praktické problémy |
| pracovat s různými typy dat včetně časových řad, grafů a diferenciálních rovnic |
| aplikovat metody na data z reálných problémů |
| 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, |
| mgr. studium: srozumitelně a přesvědčivě sdělují odborníkům i širší veřejnosti vlastní odborné názory, |
| Vyučovací metody |
|---|
| Odborné znalosti |
|---|
| Přednáška založená na výkladu, |
| Přednáška s diskusí, |
| Výuka podporovaná multimédii, |
| Odborné dovednosti |
|---|
| Cvičení (praktické činnosti), |
| Projektová výuka, |
| Prezentace práce studentů, |
| Obecné způsobilosti |
|---|
| Přednáška s diskusí, |
| Prezentace práce studentů, |
| Hodnotící metody |
|---|
| Odborné znalosti |
|---|
| Výstupní projekt, |
| Průběžné hodnocení, |
| Odborné dovednosti |
|---|
| Individuální prezentace, |
| Demonstrace dovedností (praktická činnost), |
| Obecné způsobilosti |
|---|
| Individuální prezentace, |
| Průběžné hodnocení, |
|
Doporučená literatura
|
-
Albert Gu, Karan Goel, Christopher Ré. Efficiently Modeling Long Sequences with Structured State Spaces. .
-
Goodfellow, I., Bengio, Y., Courville, A., & Bengio, Y. Deep learning. Cambridge. 2016.
-
Raissi, Maziar, Paris Perdikaris, and George E. Karniadakis. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. .
-
Zhang, Aston; Lipton, Zachary C.,; Li, Mu; Smola, Alexander J. Dive into deep learning. First published. 2024. ISBN 978-1-009-38943-3.
|