to top
Select language:    en ENGLISH  |  cs CZECH
AI pro zpracování signálu v prostředí MATLAB a Simulink
Online seminář MATLAB & Simulink
Datum:5.10.2021 (úterý), od 13:00 (95 min.)
Místo:Online prostřednictvím Cisco Webex
Vstupné:ZDARMA
Přednášející:Jaroslav Jirkovský (HUMUSOFT)
Jazyk:Čeština
Co je online seminář?
Online seminář nabízí neformální virtuální setkání s možností seznámit se s inženýrským nástrojem MATLAB a Simulink formou praktických ukázek.
  • virtuální setkání; ukázky a informace; živá diskuse
picture
Zaměření online semináře
Online seminář Vás seznámí s využitím metod umělé inteligence (AI) pro klasifikační a regresní úlohy se signály a časovými řadami. Ukážeme si různé přístupy, jak připravovat a označovat data, extrahovat z nich příznaky (features) a jak využít přístupy machine learning a deep learning k učení prediktivních modelů.
Jak se připojit
Pro účast na online semináři vyplňte přihlašovací formulář. Obratem obdržíte informace k připojení.
Program
13:00Co jsou metody umělé inteligence a k čemu slouží
  • - klasifikační a regresní úlohy, učení a predikce
  • - metody machine learning vs. deep learning, kdy se která hodí?
13:10Návrh systému založeného na AI není „jen o AI“
  • - příprava dat, extrakce příznaků, nasazení na cílovou platformu
13:30Aplikace AI na signály a časové řady
  • - neuronové sítě LSTM pro klasifikační a regresní úlohy
  • - využití časově-frekvenčních transformací a neuronových sítí CNN
14:10Wavelet transformace a její využití v AI
  • - wavelet scattering a machine learning, autoML
14:30Závěr, diskuze, dotazy
Seminář je určen všem posluchačům, kteří se chtějí formou praktických příkladů seznámit s metodami umělé inteligence ve spojení se signály a časovými řadami v prostředí MATLAB a Simulink.
Podrobný obsah
Metody umělé inteligence využívají data a vytváří program k plnění zadaného úkolu. Jádrem výsledného programu je matematický model, který vyhodnocuje výstupy na základě vstupních dat. V současné době jsou hojně využívány metody machine learning (strojové učení) a deep learning (učení na základě hlubokých neuronových sítí; je specifickou podmnožinou strojového učení). Úkolem učení je nastavit parametry modelu tak, aby vyhodnocení výstupů probíhalo s maximální přesností a minimem chybných výsledků.
Základními úlohami strojového učení jsou klasifikace, regrese a shluková analýza. MATLAB poskytuje funkce pro kompletní vývoj aplikací založených na strojovém učení (machine learning i deep learning), od přípravy dat přes tvorbu a učení modelů až po implementaci a nasazení výsledných algoritmů ve formě serverové aplikace či inteligentních embedded systému.
Využití metod umělé inteligence pro řešení klasifikačních a regresních úloh se signály a časovými řadami obnáší následující kroky. Příprava dat, výběr a extrakce příznaků, označování trénovacích dat pro účely učení, vlastní učení metodami machine learning nebo deep learning, případně pak výběr a optimalizace získaných modelů. Ve všech krocích lze využít různé přístupy, některé je třeba provést manuálně, jiné jsou již plně automatizované.
MATLAB poskytuje intuitivní grafické aplikace pro přípravu dat, automatizované metody pro výběr příznaků i přístup AutoML (automatický výběr a současná optimalizace modelu strojového učení). V oblasti deep learningu jsou to pak speciální sítě vhodné pro práci se signály (LSTM) nebo různé možnosti úpravy signálových dat pro práci s konvolučními neuronovými sítěmi (CNN).