Detail předmětu
Strojové učení v inženýrských výpočtech;
FSI-QAI Ak. rok: 2027/2028 Letní semestr
Předmět nastiňuje možné způsoby aplikace strojového učení v kontextu inženýrských výpočtů. Studenti se seznámí s základními principy strojového učení a umělé inteligence, s důrazem na Reinforcement learning. Kurz zahrnuje úvod do programovacího jazyka Python a jeho využití pro implementaci vhodných knihoven pro propojení dynamických výpočtových modelů a nástrojů umělé inteligence.
Jazyk výuky
čeština
Počet kreditů
2
Garant předmětu
Zajišťuje ústav
Výsledky učení předmětu
Po úspěšném absolvování předmětu bude student schopen:
- Rozlišit základní přístupy strojového učení (učení s učitelem, bez učitele a posilované učení) a posoudit jejich vhodnost pro vybrané technické úlohy.
- Vytvořit a upravit jednoduchý program v jazyce Python, pracovat s numerickými daty a využívat knihovny NumPy, Pandas a Matplotlib.
- Vysvětlit základní principy neuronových sítí a provést přípravu dat, trénování a vyhodnocení jednoduchého modelu učení s učitelem s využitím PyTorch.
- Popsat princip standardu FMI/FMU a na příkladu propojit simulační model s jiným výpočtovým nebo řídicím prostředím.
- Navrhnout jednoduché prostředí pro posilované učení, definovat pozorování, akce, funkci odměny a podmínky ukončení a natrénovat agenta.
- Porovnat vybrané algoritmy a nastavení RL podle průběhu trénování, dosaženého chování a omezení přenosu ze simulace do reálného systému.
Vstupní znalosti
Předpokládají se základní znalosti matematiky, fyziky, kinematiky a dynamiky mechanických soustav a základní orientace v inženýrských výpočtech. Předchozí zkušenost s programováním je výhodou, nikoli nezbytnou podmínkou; základy jazyka Python jsou součástí výuky.
Způsob zakončení předmětu a pravidla hodnocení studentů
Předmět je zakončen zápočtem. Udělení zápočtu je podmíněno aktivní účastí ve cvičeních, kde je průběžně kontrolována činnost v rámci zpracování dílčích úloh.
Účast na cvičeních je povinná, kontrolu provádí vyučující. Forma nahrazení zameškané výuky je řešena individuálně s cvičícím nebo s garantem předmětu.
Použití nástrojů umělé inteligence je při samostatné práci a cvičeních dovoleno; student si však sám odpovídá za správnost vypracovaného řešení a měl by být schopen vysvětlit jeho postup.
Učební cíle
Cílem předmětu je seznámení studentů se základními přístupy aplikace strojového učení, konkrétně Reinforcement Learning v inženýrských výpočtech.
Absolvent kurzu získá základní povědomí o algoritmech a datových strukturách, užitečných pro efektivní implementaci Reinforcement Learning algoritmů prostřednictvím programovacího jazyka Python.
Absolvent rovněž získá praktické zkušenosti v rámci úloh v oblasti propojení strojového učení a vybraných inženýrských výpočtů, jež mohou sloužit jako inspirace k dalšímu rozvoji v této oblasti.
Studijní opory
K dispozici jsou podklady k počítačovým cvičením, ukázkové zdrojové kódy a datové soubory, návody k používaným softwarovým nástrojům a doporučená odborná literatura. Konkrétní výukové materiály a zadání úloh jsou zpřístupňovány v elektronickém výukovém prostředí předmětu.
Použití předmětu ve studijních plánech
Program N-AAE-P: Pokročilé automobilové inženýrství, magisterský navazující, volitelný
Program N-ADI-P: Automobilní a dopravní inženýrství, magisterský navazující, volitelný
Typ (způsob) výuky
Cvičení s počítačovou podporou
26 hod., povinná
Osnova
- Rozdělení strojového učení/umělé inteligence
- Úvod do programovacího jazyku Python 1
- Úvod do programovacího jazyku Python 2
- Základy teorie neuronových sítí 1
- Základy teorie neuronových sítí 2
- Supervised learning v prostředí Pythonu 1
- Supervised learning v prostředí Pythonu 2
- FMI standard
- Řízení jako disciplína
- RL prostředí
- RL algoritmy
- Funkce odměn
- Hyperparametry