Detail předmětu

Strojové učení pro zpracování průmyslových dat

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

Předmět poskytuje přehled moderních modelů strojového učení pro analýzu dat ze snímačů, včetně dat obrazových, detekci anomálií v těchto datech a použití fyzikálně informovaných neuronových sítí při modelování průmyslových procesů.

Garant předmětu

doc. Ing. Pavel Škrabánek, Ph.D.

Zajišťuje ústav

Ústav automatizace a informatiky

Výsledky učení předmětu

Prerekvizity

Předpokládá se znalost základů strojového učení, optimalizace a programování.

Plánované vzdělávací činnosti a výukové metody

Způsob a kritéria hodnocení

Znalosti a dovednosti jsou ověřovány zápočtem a zkouškou. Požadavky pro zápočet: zpracování zadaných úloh. Účast na přednáškách je doporučená, účast na cvičeních je povinná. Cvičení, která nemůže student absolvovat v řádné termínu je možno nahradit v termínu náhradním. Zkouška je ústní a pokrývá celé probrané učivo.

Jazyk výuky

čeština

Cíl

Cílem předmětu je seznámit studenty s pokročilými metodami strojového učení využívanými při zpracování průmyslových dat. Studenti se seznámí s moderními modely pro analýzu časových řad, průmyslových signálů a obrazových dat, včetně rekurentních a konvolučních neuronových sítí, autoencoderů, transformerů a fyzikálně informovaných neuronových sítí. Důraz je kladen na pochopení principů hlubokého učení, rekonstrukčních metod, detekce anomálií a modelování komplexních procesů. Předmět propojuje teorii s praktickými aplikacemi pro návrh, trénink a vyhodnocení modelů strojového učení v průmyslové praxi.

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

Použití předmětu ve studijních plánech

Program N-MAI-P: Matematické inženýrství, magisterský navazující
obor ---: bez specializace, 5 kredity, povinně volitelný

Program N-AIŘ-P: Aplikovaná informatika a řízení, magisterský navazující
obor ---: bez specializace, 5 kredity, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Osnova


  1. Aplikační oblasti strojového učení při zpracování průmyslových dat. Klasické statistické modely pro práci s časovými řadami, hodnocení výkonu modelů pro časové řady.

  2. Opakování dopředných neuronových sítí (MLP), problém mizejícího gradientu, hluboké neuronové sítě.

  3. Rekurentní neuronové sítě (RNN), dlouhá krátkodobá paměť (LSTM), rekurentní jednotka s branami (GRU) a jejich užití v průmyslu.

  4. Konvoluční neuronové sítě (CNN), časové konvoluční sítě (TCN) a jejich užití v průmyslu.

  5. Hluboké konvoluční neuronové sítě pro zpracování obrazu a jejich aplikace při klasifikaci obrazů a detekci objektů v obrazech.

  6. Základní idea autoencoderů (AE), konvoluční AE, odšumovací AE, a jejich užití v průmyslu.

  7. Variační AE, AE pro časové řady, a jejich užití v průmyslu.

  8. Segmentaci obrazu.

  9. Detekce anomálií, hodnocení výkonu modelů pro detekci anomálií, jednotřídní klasifikace.

  10. Transformey pro časové řady a obrazy.

  11. Propojení fyziky a strojového učení, fyzikálně informované neuronové sítě (PINNs): princip, ztrátové funkce, kolokační body, okrajové podmínky.

  12. Aplikace PINNs v průmyslu.

  13. Opakování.

Cvičení s počítačovou podporou

26 hod., povinná

Osnova


  1. Práce s časovými řadami, základní statistické modely, hodnocení výkonu predikce časových řad.

  2. Demonstrace problému mizejícího gradientu, trénink hlubokých neuronových sítí.

  3. Implementace RNN, LSTM a GRU pro predikci časových řad.

  4. Implementace 1D CNN, aplikace TCN na časové řady.

  5. Trénink hluboké CNN pro klasifikaci obrazů a ukázka detekce objektů.

  6. Implementace základního autoencoderu, konvolučního AE a odšumovacího AE.

  7. Implementace variačního AE a autoencoderu pro časové řady.

  8. Implementace segmentace pomocí U-Netu.

  9. Detekce anomálií pomocí rekonstrukce, jednotřídní klasifikace.

  10. Základní implementace Transformers pro časové řady a obrazy.

  11. Implementace PINNs.

  12. Praktické úlohy s PINNs.

  13. Zápočet.