Ústav teorie informace a automatizace

Jste zde

AS

Umělá inteligence

Fakulta: 
Vysoká škola polytechnická Jihlava
Typ kurzu: 
magisterský
Semestr: 
letní
Vyučován: 
Ano

Student se seznámí s možnostmi vyžití nástrojů a technik umělé inteligence pro řešení reálných problémů. Tyto znalosti a dovednosti dokáže využít pro podporu plánování, řízení a rozhodování, především v oblastech technických, společenských a přírodních věd. Rozliší přímo algoritmizovatelné úlohy od výpočetně složitých, typicky NP-úplných zadání, která k časově schůdnému nalezení výsledku potřebují doplňující informace (heuristiky, užitkové funkce apod.).

04.11.2021 - 11:40

Teorie automatického řízení

Fakulta: 
Vysoká škola polytechnická Jihlava
Typ kurzu: 
magisterský
Semestr: 
letní
Vyučován: 
Ano

Cílem předmětu je připravit studenty na návrh, realizaci a implementaci číslicových řídicích systémů do průmyslové praxe. To představuje především teoretickou přípravu v číslicovém řízení lineárních dynamických systémů z hlediska stability, přesnosti a kvality přechodných dějů v uzavřených regulačních a řídicích obvodech. Pozornost je dále věnována optimálním algoritmům na konečný počet kroků regulace a transformačním metodám získání číslicových algoritmů z ekvivalentních algoritmů spojitých regulátorů.

04.11.2021 - 11:42

Mechatronické systémy a robotika

Fakulta: 
Vysoká škola polytechnická Jihlava
Typ kurzu: 
magisterský
Semestr: 
zimní
Vyučován: 
Ano

Předmět rozvíjí základní znalosti studentů z bakalářského studia v oblasti mechatroniky se zaměřením na stavbu a provoz mechatronických systémů a dále prohlubuje pojmy z robotiky. Jsou shrnuty stavební prvky, struktury a kinematické konfigurace průmyslových robotů a specifické příklady mechatronických systémů. Výklad zahrnuje přehled kinematických a dynamických modelů a jejich využití v návrhu, v plánování a řízení pohybu mechatronických systémů.

06.03.2024 - 10:12

Programování technických výpočtů

Fakulta: 
Vysoká škola polytechnická Jihlava
Typ kurzu: 
bakalářský
Semestr: 
zimní
Vyučován: 
Ne

Absolvováním předmětu získají studenti vhled do programování technických výpočtů v prostředí Matlab, naučí se uplatňovat a využívat základní datové typy a funkce a provádět efektivní technické výpočty a simulace. Student se naučí znát principy a základy programování technických výpočtů v prostředí Matlab, má přehled o standardních datových typech a orientuje se v předdefinovaných funkcích. Student se naučí použít prostředí Matlab při řešení konkrétní technické úlohy, umí efektivně využít předdefinované datové typy a funkce.

15.09.2022 - 10:24

Ing. Tomáš Vlk

Tato osoba již není zaměstnancem ÚTIA.
Pozice: 
Doktorand
31.03.2022 - 09:44

Programování vědeckých výpočtů v jazyce Julia

Fakulta: 
Fakulta elektrotechnická ČVUT
Semestr: 
zimní
Vyučován: 
Ne

V rámci předmětu budou představeny unikátní vlastnosti jazyka Julia, např. jeho typový systém, návrhový vzor multiple dispatch, metaprogramování, generování a manipulace kódu. Tyto vlastnosti umožňují velmi rychlý a snadný návrh algoritmů, jejich výpočetní efektivita je srovnatelná s implementací v nízko úrovňovém jazyce (např. C nebo Fortran). Tyto koncepty a jejich efektivita budou představeny na běžných vědeckých úlohách jako je implementace obecného algoritmu gradientního sestupu a výpočet diferenciálních rovnic.

16.02.2024 - 09:31

Ing. Radomír Žemlička

Tato osoba již není zaměstnancem ÚTIA.
Pozice: 
Doktorand
17.10.2022 - 10:01

Ing. Zdenek Junek

Pozice: 
Doktorand
Podrobnosti o doktorském studiu
Typ studia: 
prezenční
Fakulta: 
Fakulta jaderná a fyzikálně-inženýrská ČVUT
Zahájení studia: 
01.09.2020
05.04.2022 - 09:36

Ing. Peter Príbeli

Tato osoba již není zaměstnancem ÚTIA.
Pozice: 
PhD student
Odborné zájmy: 
opinion formation, probabilistic modelling, multi-agent decision making
17.08.2022 - 11:46

Bayesovské strojové učení

Fakulta: 
Fakulta jaderná a fyzikálně-inženýrská ČVUT
Typ kurzu: 
doktorandský
Semestr: 
zimní
Vyučován: 
Ne

Předmět se zabývá použitím Bayesovských technik pro určení parametrů metod strojového učení, například klasifikátorů, prediktivních a generativních modelů dat. Jednoduché metody strojového učení trpí problémem přetrénování, kdy model dobře reprezentuje trénovací sadu dat, ale selhává při popisu testovacích dat. Bayesovské nabízejí alternativu ke křížové validaci a umožňují odhad ladících parametrů (hyper-parametrů) modelu. V rámci předmětu budou představeny používané modely dat a techniky pro odhad jejích parametrů.

16.02.2024 - 09:30

Stránky

Přihlásit se k odběru RSS - AS