Detail předmětu

Strojové učení v inženýrských výpočtech;

FSI-QAI Ak. rok: 2025/2026 Letní semestr

Předmět nastiňuje možné způsoby aplikace strojového učení v  kontextu inženýrských výpočtů. Studenti se seznámí s základními principy strojového učení a umělé inteligence, s důrazem na Reinforcement learning. Kurz zahrnuje úvod do programovacího jazyka Python a jeho využití pro implementaci vhodných knihoven pro propojení dynamických výpočtových modelů a nástrojů umělé inteligence.

Jazyk výuky

čeština

Počet kreditů

2

Garant předmětu

Vstupní znalosti

Základní znalosti fyzikálních a inženýrských principů, dále základní povědomí o programovacím jazyce Python. 

Pravidla hodnocení a ukončení předmětu

Udělení zápočtu je podmíněno aktivní účastí ve cvičeních, kde je průběžně kontrolována činnost v rámci dílčích úloh.

Účast na cvičeních je povinná, kontrolu provádí vyučující. Forma nahrazení zameškané výuky je řešena individuálně s cvičícím nebo s garantem předmětu.

Učební cíle

Cílem předmětu je seznámení studentů se základními přístupy aplikace strojového učení, konkrétně Reinforcement Learning v inženýrských výpočtech.

Absolvent kurzu získá základní povědomí o algoritmech a datových strukturách, užitečných pro efektivní implementaci Reinforcement Learning algoritmů prostřednictvím programovacího jazyka Python.

Absolvent rovněž získá praktické zkušenosti v rámci úloh v oblasti propojení strojového učení a vybraných inženýrských výpočtů, jež mohou sloužit jako inspirace k dalšímu rozvoji v této oblasti.

Použití předmětu ve studijních plánech

Program N-ADI-P: Automobilní a dopravní inženýrství, magisterský navazující, volitelný

Program N-AAE-P: Pokročilé automobilové inženýrství, magisterský navazující, volitelný

Typ (způsob) výuky

 

Cvičení s počítačovou podporou

26 hod., povinná

Osnova


  1. Rozdělení strojového učení/umělé inteligence

  2. Reinforcement learning (RL): definice, představení základních pojmů

  3. Úvod do programovacího jazyku Python

  4. Supervised learning v prostředí Python (učení na datech)

  5. Ukázka RL úlohy v prostředí Python (Gymnasium)

  6. Model-based a model-free RL

  7. FMU: Tvorba, využití

  8. Stavba výpočtového modelu (Adams/Chrono/NVIDIA Modulus/Mujoco)

  9. Definice vstupů a výstupů pro RL: observations, actions

  10. Volba/tvorba agenta a jeho policy

  11. Definice reward function

  12. Trénovaní: definice parametrů, které mají vliv na průběh

  13. Využití natrénovaného agenta v simulaci