Inteligenţă artificială şi sisteme expert în calitate şi fiabilitate

1. INFORMAŢII GENERALE
2. EVALUARE
3. CONŢINUTUL CURSULUI
4. CONŢINUTUL LABORATORULUI
5. ORAR

1. Informaţii generale

An Sem Denumirea disciplinei C S L P p.c. Evaluare
2 3 Inteligenţă artificială şi sisteme expert în calitate şi fiabilitate 1 - - 1 2 E
Notă: C – Curs | S – Seminar | L – Laborator | P – Proiect | E – Examen | V – Verificare | A/R – Admis/Respins | p.c. – puncte credit

Disciplină din planul de învăţământ al programului de masterat “Ingineria calităţii şi siguranţei în funcţionare în electronică şi telecomunicaţii” (ICSFET)

Titular: conf. dr. ing. Iulian NĂSTAC

Disciplina “Inteligența artificială și sisteme expert în calitate și fiabilitate” (IASEC) face parte din setul de cursuri din al doilea an de studii aferent masterului ”Ingineria calităţii şi siguranţei în funcţionare în electronică şi telecomunicaţii” (ICSFET). Complexitatea sistemelor tehnice reale, cum ar fi echipamentele electronice sofisticate, necesită elaborarea de modele şi studiul proprietăţilor acestora utilizând modelele corespunzătoare. În plus, înţelegerea fenomenelor care guvernează evoluţia unui sistem complex este esenţială în activităţile de predicţie a unor parametri de calitate. În prezent există un considerabil interes pe plan internaţional pentru dezvoltarea unor instrumente fiabile de predicţie de date. Modele clasice de prognoză de date, cum ar fi analiza de regresie, modelele statistice uzuale, analiza Pareto etc., şi-au dovedit de multe ori limitările, fiind surclasate de metode şi tehnici noi bazate pe modele ale inteligenţei artificiale. Acest curs de master începe cu o introducere în teoria inteligenței artificiale, ce implică definirea si clasificarea sistemelor inteligente și a sistemelor expert. Vor fi avute în vedere acele probleme și aplicații nerezolvabile prin metode clasice. Utilizarea de modele ale inteligenței artificiale în domeniul tehnic, precum și limitele inteligenței artificiale derivă din analiza componentelor funcționale structurale ale sistemului investigat. În cadrul cursului va fi făcută o comparație amănunțită între raționamentul uman și raționamentul unei mașini de calcul cu inteligență artificială. Pentru toate acestea, definirea densității de inteligența, precum și calitatea sistemelor inteligente trebuie avute în vedere. Toate acestea se vor baza pe studii de caz ale sistemelor bazate pe cunoaștere, codarea cunoașterii, raționamentul bazat pe reguli, raționamentul bazat pe cazuri și, nu în ultimul rând, manipularea cunoștințelor și calitatea resurselor disponibile (inclusiv distribuția datelor). Sistemele complexe de baze de date (Data Warehousing sau conceptul mai nou de Big Data) iau în considerație numeroase constrângeri arhitecturale, dar și un volum de posibile valori aberante ce necesită preprocesarea specială a datelor primare. Din varietatea modelelor bazate pe inteligență artificială, vor fi studiate cu precădere: Rețelele Neuronale Artificiale (RNA), Rețelele cu autoorganizare (Self-Organizing Map – SOM), sistemele evolutive și algoritmii genetici; toate acestea fiind raportate la specificul acestui curs. În cadrul părții aplicative a disciplinei, vor fi implementate sisteme de clasificare și clusterizare, culminând cu sisteme avansate pentru predicția datelor, algoritmi de reantrenare și sisteme adaptive pe termen lung (cum ar fi prognoza unui proces tehnologic).

Obiectivele disciplinei:
ÎInsușirea principiilor de bază ale structurii sistemelor bazate pe modele ale inteligenței artificiale precum și utilizarea pragmatică a acestora. Identificarea problemelor complexe care nu pot fi soluționate prin abordări clasice. Utilizarea legilor de învățare / adaptare. Cursul va fi axat pe algoritmi și tehnici de modelare/prelucrare a datelor pentru sisteme complexe.

Obiective specifice:
Crearea abilităţilor de a rezolva diverse aplicații ce implică o proiectare eficientă a sistemelor inteligente. Studii de caz, aplicaţii şi metode de evaluare a performanțelor acestor sisteme (din punct de vedere calitativ).

2. Evaluare

- aprecierea activităţii la laborator/proiect: 40%
- examen final (scris): 60%.

3. Conţinutul cursului

1. Introducere in teoria inteligentei artificiale. Definirea si clasificarea sistemelor inteligente. Inteligenta computationala. Probleme nerezolvabile prin metode clasice. Utilizarea de modele ale inteligentei artificiale in domeniul tehnic. Limitele inteligentei artificiale.
2. Sisteme expert. Componente functionale si componente structurale. Ratinamentul uman / rationamentul masina. Soft computing (SC). Definirea densitatatii de inteligenta. Calitatea sistemelor inteligente. Studii de caz.
3. Sisteme bazate pe cunoastere. Codarea cunoasterii. Rationamentul bazat pe reguli. Rationamentul bazat pe cazuri. Manipularea cunostintelor (Knowledge engineering). Studii de caz.
4. Principiile Data Mining. Analiza datelor. Sisteme complexe de baze de date (Data Warehousing). Modele data mining. Calitatea resurselor disponibile. Distributia Datelor. Constrangeri arhitecturale. Valori aberante. Preprocesarea datelor. Analiza si studiul masivelor de date.
5. Retele Neuronale Artificiale (RNA). Bazele teoriei retelelor neuronale. Topologii de retele neuronale artificiale. RNA cu invatare supervizata. Aplicatii. RNA cu invatare nesupervizata. Probleme arhitecturale. Retele cu autoorganizare (Self-Organizing Map – SOM). Aplicatiile SOM.
6. Sisteme avansate pentru predictia datelor. Serii de timp. Algoritmul de reantrenare. Arhitecturi recursive. Sisteme adaptive. Studii de caz. Prognoza unui proces tehnologic.
7. Teoria sistemelor evolutive. Algoritmi genetici. Incrucisarea si mutatia. Spatiul de cautare. Functia de evaluare. Studiu al evolutiei unui sistem utilizand algoritmi genetici.

4. Conţinutul laboratorului

1. Procesarea datelor. Notiuni introductive privind manipularea datelor.
2 + 3. Modelarea datelor unui sistem complex. Preprocesarea datelor (crearea datelor lipsa, eliminarea datelor incompatibile, etc.). Compactarea datelor (analiza componentelor principale). Proiectarea unei retele neuronale artificiale. Metode de invatare supervizata. Identificarea si modelarea unui sistem tehnic.
4 +5. Studiu de caz privind predictia datelor. Predictia evolutiei unor indicatori de calitatea productiei. Implementarea unui algoritm pentru prognoza de date. Crearea unui model cu vectori de intarziere. Evaluarea erorilor si minimizarea acestora.
6 + 7. Implementarea unui algoritm genetic intr-o problema de optimizare. Optimizarea unui sistem complex.

Bibliografie:

- Nastac, D.I., Anescu, G., and Ulmeanu, A.P. : chapter 27 “Large data analysis for advanced grids”, in Advances in Power Engineering 1st Edition (Edited by Viorel Badescu, and George Christian Lazaroiu), CRC Press, 1 edition (in curs de aparitie August, 2018), Taylor & Francis Group, New York, (ISBN-10: 1138705853, ISBN-13: 978-1138705852).
- D.I. Nastac, “Prelucrarea inteligentă a informațiilor multidisciplinare pentru prognoze adaptive în contextual globalizării”, Editura Muzeul Naţional al Literaturii Române, Bucureşti, 2013 (ISBN 978-973-167-190-1).
- D.I. Nastac, “Reţele neuronale artificiale – Procesarea avansată a datelor”, Editura Printech, Bucuresti, Romania, 2007 (ISBN 973-652-555-4).
- D.I. Năstac, Structuri de date şi algoritmi – Aplicaţii, Editura Printech, Bucuresti, 2008 (ISBN 978-973-718-989-9).

5. Orar

Orarul valabil pentru semestrul curent: www.euroqual.pub.ro/orar/

Actualizat: 22 mai 2020, 15:54