Předmět se věnuje oblastem aplikací ve vestavěných systémech s implementovanými metodami:
A) Unsupervised learning - metody učení s učitelem (Shluková analýza …)
B) Supervised learning - metody učení bez učitele (Support vector machines, linerání regrese, rozhodovací stromy, algoritmus k-nejbližších sousedů, neuronové sítě …)
C) Semi-supervised learning – metody zpětnovazební učení (Markovův rozhodovací proces, Q-learning …)
Z hlediska progresivní optimalizace funkce a návrhu vestavěných systémů jsou vyučovány bio-inspirované metody z řady evolučních algoritmů (genetické algoritmy, diferenční evoluce apod.) či další přístupy jako například optimalizace hejnem částic.
Aplikační oblasti předmětu jsou zúženy na nasazení v oblasti Internet-of-Things zařízení, ultra-low power zařízení se získávání energie z prostředí, senzorických systémů, aplikací spojených s koncepcí Průmyslu 4.0, SmartCities a SmartMetering.
A) Unsupervised learning - metody učení s učitelem (Shluková analýza …)
B) Supervised learning - metody učení bez učitele (Support vector machines, linerání regrese, rozhodovací stromy, algoritmus k-nejbližších sousedů, neuronové sítě …)
C) Semi-supervised learning – metody zpětnovazební učení (Markovův rozhodovací proces, Q-learning …)
Z hlediska progresivní optimalizace funkce a návrhu vestavěných systémů jsou vyučovány bio-inspirované metody z řady evolučních algoritmů (genetické algoritmy, diferenční evoluce apod.) či další přístupy jako například optimalizace hejnem částic.
Aplikační oblasti předmětu jsou zúženy na nasazení v oblasti Internet-of-Things zařízení, ultra-low power zařízení se získávání energie z prostředí, senzorických systémů, aplikací spojených s koncepcí Průmyslu 4.0, SmartCities a SmartMetering.