Detail předmětu

Analýza dat a metody umělé inteligence

FSI-TPX Ak. rok: 2027/2028 Zimní semestr

Předmět seznamuje studenty s metodami analýzy dat, statistického modelování a umělé inteligence se zaměřením na zpracování fyzikálních a experimentálních dat. Propojuje matematické základy pravděpodobnosti, statistiky a optimalizace s praktickým využitím programovacího jazyka Python.

Výuka zahrnuje podmíněnou pravděpodobnost a Bayesovu inferenci, odhad parametrů metodou maximální věrohodnosti, regresní analýzu, korelační analýzu, analýzu hlavních komponent (PCA), klasifikaci a shlukování dat. Pozornost je dále věnována neuronovým sítím, architektuře transformerů, fyzikálně informovaným neuronovým sítím (PINN) a základům posilovaného učení.

Probírané metody jsou demonstrovány na praktických příkladech z fyziky, zejména při zpracování experimentálních spekter, analýze naměřených dat a modelování fyzikálních systémů. Studenti využívají Python a knihovny pro vědecké výpočty, vizualizaci dat a strojové učení. Součástí výuky je také kritické využívání AI asistentů při programování a analýze dat.

Získané znalosti studenti aplikují při řešení samostatné seminární práce zaměřené na vlastní schválený problém.



Jazyk výuky

čeština

Počet kreditů

2

Výsledky učení předmětu

Po úspěšném absolvování předmětu student prokazatelně:

1. Načte, předzpracuje, statisticky vyhodnotí a vhodně vizualizuje vybraný soubor experimentálních nebo fyzikálních dat v Pythonu.
2. Zvolí přiměřenou metodu analýzy dat s ohledem na charakter dat a řešenou otázku a zdůvodní svou volbu.
3. Použije vybranou metodu, například odhad parametrů, regresi, PCA, klasifikaci nebo shlukování, a ověří smysluplnost získaných výsledků.
4. Vytvoří a odevzdá funkční, srozumitelný a reprodukovatelný program v Pythonu spolu se stručnou zprávou o řešeném problému, postupu a výsledcích.
5. Interpretuje výsledky v kontextu řešeného problému, identifikuje hlavní omezení použité metody a možné zdroje nejistot.
6. Při obhajobě vysvětlí vlastní řešení a prokáže základní orientaci v dalších metodách probíraných v předmětu; porovná jejich možné použití, výhody a omezení bez požadavku na detailní implementaci všech metod.
7. Kriticky ověří postupy a programový kód získané s pomocí AI asistentů a převezme odpovědnost za správnost odevzdaného řešení.

Vstupní znalosti

Požadují se základní znalosti matematické analýzy, lineární algebry, pravděpodobnosti a statistiky, zejména práce s funkcemi, vektory, maticemi a základními statistickými charakteristikami datových souborů.

Požaduje se základní znalost programování v jazyce Python, zejména práce s proměnnými, datovými strukturami, podmínkami, cykly a funkcemi. Student musí být schopen samostatně upravovat a spouštět jednoduché programy.

Znalost specializovaných knihoven pro analýzu dat a strojové učení není předpokládána.

Způsob zakončení předmětu a pravidla hodnocení studentů

Předmět je ukončen klasifikovaným zápočtem na základě samostatné seminární práce a odborné diskuse nad jejím řešením.

Podmínkou udělení klasifikovaného zápočtu je splnění požadavků na účast v povinných cvičeních, odevzdání seminární práce na téma schválené vyučujícím a úspěšná odborná diskuse. Účast na přednáškách je nepovinná. Způsob náhrady zameškaných cvičení stanoví vyučující podle rozsahu a obsahu absence.

Seminární práce spočívá v aplikaci vybrané statistické metody, metody analýzy dat nebo strojového učení na vlastní problém. Doporučuje se téma související s bakalářskou prací, experimentální činností nebo jinou oblastí zájmu studenta. Student odevzdá stručnou zprávu v rozsahu přibližně dvou stran ve formátu PDF, obsahující popis problému, použité metody, výsledky a jejich interpretaci, a funkční zdrojový kód v jazyce Python umožňující reprodukovat provedenou analýzu.

Při obhajobě seminární práce student prokáže porozumění vlastnímu řešení i základní přehled o dalších metodách probíraných v předmětu. Musí být schopen vysvětlit principy použitých metod, zdůvodnit jejich výběr, interpretovat výsledky a diskutovat možnosti využití jiných probíraných metod, jejich výhody a omezení. Nevyžaduje se detailní znalost implementace všech probíraných metod.

Výsledná klasifikace A–F vychází z celkového posouzení odborné správnosti řešení, vhodnosti použitých metod, kvality implementace, interpretace výsledků, schopnosti obhájit vlastní postup a orientace v dalších metodách probíraných v předmětu. Hodnocena je především správnost a přiměřenost zvoleného postupu, porozumění použitým metodám a kvalita interpretace výsledků, nikoliv složitost použitých algoritmů. Použití pokročilých metod není podmínkou získání výborné klasifikace.

A (výborně): Samostatné a metodicky správné řešení, kvalitní interpretace výsledků, výborné porozumění použitým postupům a schopnost kvalifikovaně diskutovat alternativní metody.
B (velmi dobře): Kvalitní řešení s drobnými nedostatky, velmi dobré porozumění a dobrá orientace v dalších metodách.
C (dobře): Funkční řešení s dílčími nedostatky, dobré porozumění základním principům a přiměřený přehled o dalších metodách.
D (uspokojivě): Převážně funkční řešení s významnějšími nedostatky, dostatečné porozumění vlastnímu postupu a základní orientace v probíraných metodách.
E (dostatečně): Minimálně přijatelné řešení splňující základní zadání, schopnost vysvětlit podstatné části vlastního postupu a prokázání minimálního přehledu o dalších probíraných metodách.
F (nevyhovující): Nesplnění základních požadavků, zásadní metodické chyby, neschopnost vysvětlit použité postupy nebo neprokázání základní orientace v probíraných metodách.

Využití AI asistentů při řešení seminární práce je povoleno. Student však musí být schopen vysvětlit, ověřit a obhájit všechny podstatné části odevzdaného řešení.

Nevyhovující seminární práci je možné jednou přepracovat a znovu odevzdat ve lhůtě stanovené vyučujícím. Po přepracování následuje nové posouzení práce a případně opakovaná odborná diskuse. Postup musí být v souladu s platnými studijními předpisy VUT.

Učební cíle

Po úspěšném absolvování předmětu student:
1. Vysvětlí základní principy pravděpodobnostního a statistického modelování fyzikálních a experimentálních dat.
2. Aplikuje Bayesův vztah, metodu maximální věrohodnosti a metodu nejmenších čtverců při řešení úloh odhadu parametrů.
3. Používá regresní, klasifikační a shlukovací metody při analýze dat.
4. Provádí korelační analýzu a redukci dimenze pomocí analýzy hlavních komponent (PCA).
5. Vysvětlí principy neuronových sítí, jejich architektury, aktivačních funkcí a trénování.
6. Popíše základní principy transformerů, fyzikálně informovaných neuronových sítí a posilovaného učení.
7. Využívá programovací jazyk Python a vhodné knihovny pro numerické výpočty, zpracování, vizualizaci a analýzu dat.
8. Navrhne a realizuje řešení vybraného problému analýzy dat, vyhodnotí získané výsledky a interpretuje jejich fyzikální význam.
9. Kriticky posoudí výstupy AI asistentů a ověří správnost použitých výpočetních postupů.
10. Porovná základní principy a oblasti použití různých metod probíraných v předmětu a posoudí jejich vhodnost pro konkrétní úlohu.

Studijní opory

Studijní materiály, prezentace přednášek, programové ukázky, příklady, datové soubory a informace o seminární práci jsou dostupné na webových stránkách předmětu: https://sites.google.com/view/adamui

Pro praktickou práci se využívá programovací jazyk Python, zejména knihovny NumPy, SciPy, Pandas, Matplotlib, scikit-learn a PyTorch. Studenti mohou pracovat v prostředí Spyder nebo Google Colab.

Použití předmětu ve studijních plánech

Typ (způsob) výuky

 

Přednáška

13 hod., nepovinná

Osnova

I. Pravděpodobnostní modelování a optimalizace
1. Úvod do AI ve fyzice. Základní pojmy analýzy dat, strojového učení a umělé inteligence. Motivace, AI asistenti, Python, prostředí Spyder a Google Colab.
2. Podmíněná pravděpodobnost a Bayesova inference. Podmíněná pravděpodobnost, Bayesův vztah, Bayesovská klasifikace a naivní Bayesův klasifikátor.
3. Odhad parametrů a optimalizace. Metoda maximální věrohodnosti (MLE), metoda nejmenších čtverců, numerická optimalizace a stochastický gradientní sestup (SGD).


II. Klasické metody analýzy dat a strojového učení
4. Kovariance, korelace a PCA. Náhodné vektory, kovarianční a korelační matice, analýza hlavních komponent a redukce dimenze.
5. Analýza experimentálních spekter. Zpracování spektrálních dat, příklady XPS a Ramanovy spektroskopie, fitování, PCA a klasifikace.
6. Regrese a fitování fyzikálních dat. Lineární model, vícenásobná regrese, odhad parametrů a Bayesovský přístup.
7. Klasifikace a shlukování dat. Podpůrné vektorové stroje (SVM), metoda k-means a aplikace na fyzikální data.


III. Neuronové sítě a posilované učení
8. Neuronové sítě a PyTorch. Perceptron, architektura neuronových sítí, aktivační funkce, trénování a zpětné šíření chyby.
9. Architektura transformerů. Mechanismus attention, základní architektura transformeru a souvislost s moderními AI asistenty.
10. Fyzikálně informované neuronové sítě (PINN). Zahrnutí fyzikálních rovnic a omezení do procesu učení neuronových sítí.
11. Posilované učení I. Agent, prostředí, stav, akce, odměna a základní principy posilovaného učení.
12. Posilované učení II. Praktické příklady posilovaného učení, simulace a stabilizace kyvadla.
13. Opakování a praktické aplikace. Shrnutí a propojení probíraných metod, diskuse nad možnostmi jejich využití při analýze fyzikálních dat.

Cvičení

13 hod., povinná

Osnova

1. Python pro analýzu dat. Práce s vývojovým prostředím, načítání a vizualizace dat, základní operace s NumPy, Pandas a Matplotlib.
2. Pravděpodobnostní výpočty. Simulace náhodných jevů, podmíněná pravděpodobnost, Bayesův vztah a naivní Bayesův klasifikátor.
3. Odhad parametrů. Implementace metody maximální věrohodnosti, metody nejmenších čtverců a numerické optimalizace.
4. Korelační analýza a PCA. Výpočet kovariančních a korelačních matic, analýza hlavních komponent a vizualizace redukovaných dat.
5. Zpracování experimentálních spekter. Načítání a předzpracování spektrálních dat, fitování a analýza výsledků.
6. Regresní modelování. Lineární a vícenásobná regrese, odhad parametrů a posouzení kvality modelu.
7. Klasifikace a shlukování. Praktické použití SVM a k-means na vybraných datových souborech.
8. Neuronové sítě. Implementace jednoduché neuronové sítě, volba aktivačních funkcí a trénování modelu v PyTorch.
9. Transformery. Demonstrace mechanismu attention a práce s ukázkovým modelem.
10. Fyzikálně informované neuronové sítě. Ukázka řešení jednoduchého fyzikálního problému pomocí PINN.
11. Posilované učení. Definice prostředí, agenta a odměnové funkce, jednoduché simulační úlohy.
12. Řízení fyzikálního systému. Demonstrace posilovaného učení na příkladu stabilizace kyvadla.
13. Opakování a praktické aplikace. Propojení probíraných metod, řešení vybraných úloh a konzultace jejich aplikace na vlastní data.