1. INFORMAŢII GENERALE
2. EVALUARE
3. CONŢINUTURI
4. ORAR

1. Informaţii generale

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 programului de masterat “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).

Fișa disciplinei IASEC

2. Evaluare

– aprecierea activităţii la proiect: 50%
– alte notări: 30%
– lucrare finală (scris): 20%.

3. Conţinuturi

Conţinutul cursului
1. Introducere in teoria inteligenței artificiale. Definirea și clasificarea sistemelor inteligente. Inteligența computațională. Probleme nerezolvabile prin metode clasice. Utilizarea de modele ale inteligenței artificiale în domeniul tehnic. Limitele inteligenței artificiale.
2. Sisteme expert. Componente functionale și componente structurale. Raționamentul uman / raționamentul mașină. Soft computing (SC). Definirea densității de inteligență. Calitatea sistemelor inteligente. Studii de caz.
3. Sisteme bazate pe cunoaștere. Codarea cunoașterii. Raționamentul bazat pe reguli. Raționamentul bazat pe cazuri. Manipularea cunoștințelor (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. Distribuția datelor. Constrângeri arhitecturale. Valori aberante. Preprocesarea datelor. Analiza și studiul masivelor de date.
5. Retele Neuronale Artificiale (RNA). Bazele teoriei rețelelor neuronale. Topologii de rețele neuronale artificiale. RNA cu învățare supervizată. Aplicații. RNA cu învățare nesupervizată. Probleme arhitecturale. Rețele cu autoorganizare (Self-Organizing Map – SOM). Aplicațiile SOM.
6. Sisteme avansate pentru predicția datelor. Serii de timp. Algoritmul de reantrenare. Arhitecturi recursive. Sisteme adaptive. Studii de caz. Prognoza unui proces tehnologic.
7. Teoria sistemelor evolutive. Algoritmi genetici. Încrucișarea și mutația. Spațiul de căutare. Funcția de evaluare. Studiu al evoluției unui sistem utilizând algoritmi genetici.

Conţinutul proiectului
1. Procesarea datelor. Noțiuni introductive privind manipularea datelor.
2 + 3. Modelarea datelor unui sistem complex. Preprocesarea datelor (crearea datelor lipsă, eliminarea datelor incompatibile, etc.). Compactarea datelor (analiza componentelor principale). Proiectarea unei rețele neuronale artificiale. Metode de învățare supervizată. Identificarea și modelarea unui sistem tehnic.
4 + 5. Studiu de caz privind predicția datelor. Predicția evoluției unor indicatori de calitate a producției. Implementarea unui algoritm pentru prognoza de date. Crearea unui model cu vectori de întârziere. Evaluarea erorilor și minimizarea acestora.
6 + 7. Implementarea unui algoritm genetic într-o problemă de optimizare. Optimizarea unui sistem complex.

Bibliografie:
1. D.I. Năstac, Note de curs Inteligență artificială și sisteme expert în calitate și fiabilitate.
2. D.I. Nastac, “Prelucrarea inteligentă a informațiilor multidisciplinare pentru prognoze adaptive în contextul globalizării”, Editura MNLR, Bucureşti, 2013 (ISBN 978-973-167-190-1).
3. D.I. Nastac, G. Anescu, and A.P. Ulmeanu: 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 (2018), Taylor & Francis Group, New York (ISBN-10: 1138705853, ISBN-13: 978-1138705852).
4. Suport în platforma Moodle.

4. Orar

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