UINA510 Expert Systems Applications

Filozoficko-přírodovědecká fakulta v Opavě
zima 2024
Rozsah
2/2/0. 6 kr. Ukončení: zk.
Vyučující
Ing. Jiří Blahuta, Ph.D. (přednášející)
RNDr. Jiří Martinů, Ph.D. (cvičící)
Mgr. Daniel Valenta, Ph.D. (cvičící)
Garance
Ing. Jiří Blahuta, Ph.D.
Ústav informatiky – Filozoficko-přírodovědecká fakulta v Opavě
Rozvrh
Po 8:05–9:40 LEI
  • Rozvrh seminárních/paralelních skupin:
UINA510/A: každý sudý pátek 16:25–19:40 LEI, J. Martinů
Předpoklady
Absolvování předmětu Expertní systémy v bakalářském studijním programu.
Omezení zápisu do předmětu
Předmět je nabízen i studentům mimo mateřské obory.
Mateřské obory/plány
Cíle předmětu
Cílem předmětu je seznámit studenta se současnými trendy při tvorbě vývoji a implementaci expertních systémů založených na různých typech neurčitostí a metod softcomputingu. Cvičení seznámí studenta se současnými prázdnými znal./expertními systémy s důrazem na integraci fuzzy přístupů. Součásti cvičení je návrh znalostní/expertní báze fuzzy pravidlového expertního systému pro zadaný problém v zadaném prázdném fuzzy pravidlově orientovaném znal./expertním systému.
Výstupy z učení
Student bude umět vytvářet a implementovat expertní systém, založený na různých typech neurčitostí a užívající metod softcomputingu. Po teoretické a ve cvičení praktické stránce navrhnout a realizovat znalostní/expertní báze fuzzy pravidlový expertní systém pro zadaný problém a též ve fuzzy pravidlově orientovaném znal./expertním systému.
Osnova
  • Osnova-bloky:
  • 1. Subjektivní znalosti a mentální modely, jazykové modelování, podmíněná produkční pravidla, množina pravidel jako jazykový model, neurčitost jazykového modelu.
  • 2. Neurčitost podmíněných pravidel formalizovaná pomocí pravděpodobnostních měr, expertní systémy s mírami neurčitosti typu MYCIN, EMYCIN a PROSPECTOR.
  • 3. Pravděpodobnostní pravidlové expertní systémy - FEL-EXPERT.
  • 4. Formalizace vágnosti jazykových výrazů pomocí fuzzy množin, základy fuzzy množinové matematiky, aproximace jazykových modelů fuzzy funkcí, fuzzifikace a defuzzifikace.
  • 5. Fuzzy logika, jazyková proměnná, interpretace fuzzy logických funkcí, fuzzy relace, pravidlo fuzzy modus ponens.
  • 6. Fuzzy aproximace vícerozměrných nelineárních soustav, aproximativní vyvozování typu Takagi Sugeno.
  • 7. Kognitivní analýza pravidlové báze znalostí, test konzistence, diversifikační schopnost báze znalostí, ternární graf.
  • 8. Neuronové vícevrstvé sítě, procedury adaptace neuronových sítí, fuzzy neuronové sítě, fuzzy model Takagi Sugeno.
  • 9. Automatické metody strukturální a parametrické identifikace pravidlových fuzzy modelů, fuzzy shlukovací metody.
  • 10. Základy fuzzy regulace, lineární regulátory v obvodu zpětnovazební regulace, syntéza fuzzy regulátorů, regulátory typu Takagi Sugeno.
  • 11. Metody strukturální a parametrické optimalizace fuzzy modelů založených na pravidlech, optimalizační metody založené na evoluci.
  • 12. Real-time expertní systém, znalostní management, inteligentní regulátory, adaptace struktury a parametrů regulátorů založená na znalostech.
Literatura
  • CASTILLO, Enrique et. al. Expert systems and probabilistic network models. New York: Springer, 2012. ISBN 9781461274810.
Výukové metody
Řešení projektu na cvičení, presentace, závěrečný test.
Metody hodnocení
* 75% návštěvnost přednášek a cvičení * test ve cvičení max 30 bodů * implementace vybraných metod na konkretním robotu max 30 bodů, 10 bodů dokumentace * 40 bodů zkouška, podmínka splnění 50 % z každé části
Informace učitele
http://is.slu.cz
Výuka probíha v blocích, přednášky a cvičení.
Předmět je zařazen také v obdobích zima 2021, zima 2022, zima 2023.
  • Statistika zápisu (nejnovější)
  • Permalink: https://is.slu.cz/predmet/fpf/zima2024/UINA510