Detail předmětu

Analýza dat a metody umělé inteligence

FSI-TPX Ak. rok: 2026/2027 Zimní semestr

Kurz rozvíjí schopnost studentů zpracovávat a analyzovat fyzikální data pomocí statistických a umělointeligenčních metod. Studenti si osvojí principy odhadu parametrů, testování hypotéz, klasifikace, regrese a moderních metod strojového i posilovaného učení.

Garant předmětu

doc. Ing. Miroslav Bartošík, Ph.D.

Zajišťuje ústav

Ústav fyzikálního inženýrství

Výsledky učení předmětu

Prerekvizity

Plánované vzdělávací činnosti a výukové metody

Způsob a kritéria hodnocení

Jazyk výuky

čeština

Cíl

Student:

  • analyzuje fyzikální data statistickými a AI metodami,
  • umí aplikovat MLE a testování hypotéz na experimentální data,
  • používá regresní a klasifikační metody (Naivní Bayes, SVM, neuronové sítě),
  • provádí redukci dimenze (PCA) a clustering,
  • chápe principy Bayesovského a posilovaného učení,
  • interpretuje výsledky modelů v kontextu fyzikálních procesů

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Použití předmětu ve studijních plánech

Program B-FIN-P: Fyzikální inženýrství a nanotechnologie, bakalářský
obor ---: bez specializace, 2 kredity, povinný

Typ (způsob) výuky

 

Přednáška

13 hod., nepovinná

Osnova

OsnovaTýden 1: Úvod do analýzy dat a workflow – přehled ML a AI ve fyzice, opakování Pandas a Matplotlib, typy dat, workflow analýzy, pravděpodobnost
Týden 2: Statistická analýza dat – průměr, rozptyl, distribuce, histogramy, odhady nejistot
Týden 3: Odhad parametrů a metoda maximální věrohodnosti (MLE) – likelihood, log-likelihood, numerické hledání maxima, aplikace na fyzikální data
Týden 4: Testování statistických hypotéz – principy testování, p-hodnota, významnost, t-test, χ²-test, test shody měření
Týden 5: Regresní metody – lineární a nelineární regrese, metoda nejmenších čtverců, vztah k MLE, kvalita fitu
Týden 6: Klasifikace dat: Naivní Bayes a podpůrné vektorové stroje (SVM) – supervised learning, kernelové funkce, aplikace ve fyzice
Týden 7: Metody clusteringu a PCA – neřízené učení, k-means, PCA – redukce dimenze, vizualizace fyzikálních dat
Týden 8: Neuronové sítě – architektura perceptronu, aktivační funkce, trénování, TensorFlow/Keras
Týden 9: Regrese a klasifikace pomocí neuronových sítí – predikce fyzikálních veličin, regularizace, overfitting
Týden 10: Bayesovské modelování – Bayesova inference, MAP odhad, vztah k MLE, interpretace ve fyzice
Týden 11: Reinforcement Learning (základy) – agent, prostředí, odměna, jednoduché simulace RL (např. stabilizace kyvadla)
Týden 12: Projekt: Analýza fyzikálních dat pomocí ML/AI – samostatná nebo týmová práce, prezentace a interpretace výsledků

Cvičení

13 hod., povinná

Osnova

Studenti řěší úkoly definované v teoretické části výuky.