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

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


  1. Rozdělení strojového učení/umělé inteligence

  2. Úvod do programovacího jazyku Python 1

  3. Úvod do programovacího jazyku Python 2

  4. Základy teorie neuronových sítí 1

  5. Základy teorie neuronových sítí 2

  6. Supervised learning v prostředí Pythonu 1

  7. Supervised learning v prostředí Pythonu 2

  8. FMI standard

  9. Řízení jako disciplína

  10. RL prostředí

  11. RL algoritmy

  12. Funkce odměn

  13. Hyperparametry