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.).
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.
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.
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.
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.
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.