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
Zajišťuje ústav
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
- Rozdělení strojového učení/umělé inteligence
- Reinforcement learning (RL): definice, představení základních pojmů
- Úvod do programovacího jazyku Python
- Supervised learning v prostředí Python (učení na datech)
- Ukázka RL úlohy v prostředí Python (Gymnasium)
- Model-based a model-free RL
- FMU: Tvorba, využití
- Stavba výpočtového modelu (Adams/Chrono/NVIDIA Modulus/Mujoco)
- Definice vstupů a výstupů pro RL: observations, actions
- Volba/tvorba agenta a jeho policy
- Definice reward function
- Trénovaní: definice parametrů, které mají vliv na průběh
- Využití natrénovaného agenta v simulaci