Metody optimalizace a A.I. pro měření v průmyslové praxi

Šimečková, Jana

Metody optimalizace a A.I. pro měření v průmyslové praxi

DSpace Repository

Language: English čeština

Metody optimalizace a A.I. pro měření v průmyslové praxi

dc.contributor.advisor	Pluháček, Michal
dc.contributor.author	Šimečková, Jana
dc.date.accessioned	2024-07-23T13:16:46Z
dc.date.available	2024-07-23T13:16:46Z
dc.date.issued	2023-11-05
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/56310
dc.description.abstract	Tato diplomová práce se zaměřuje na aplikaci analytického programování, evolučních algoritmů a dalších metod umělé inteligence a strojového učení v kontextu optimalizace a modelování v průmyslové praxi. Práce je založena na pečlivé analýze relevantních zdrojů a jejím primárním cílem je provést odbornou rešerši na dané téma v teoretické části a aplikovat popsané metody v části praktické, včetně zhodnocení provedených experimen-tů. V rámci teoretické části byly podrobně prozkoumány různé aspekty evolučních výpo-četních technik, analytického programování, neuronových sítí a dalších metod využitých při zpracování dat. Praktická část práce se skládá z popisu dat získaných z fyzikálního měření, analýzy možností syntézy modelu popisující tato data a optimalizace nastavení parametrů měření pomocí evolučních výpočetních technik. Byly provedeny rozsáhlé ex-perimenty a analýzy, které přispěly k hlubšímu porozumění dané problematiky a poskytly cenné poznatky pro další výzkum v oblasti aplikace umělé inteligence a strojového učení v průmyslové praxi.
dc.format	68
dc.language.iso	cs
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	analytické programování	cs
dc.subject	umělá inteligence	cs
dc.subject	evoluční algoritmy	cs
dc.subject	strojové učení	cs
dc.subject	optimalizace	cs
dc.subject	analytical programming	en
dc.subject	artificial intelligence	en
dc.subject	evolutionary algorithms	en
dc.subject	machine learning	en
dc.subject	optimization	en
dc.title	Metody optimalizace a A.I. pro měření v průmyslové praxi
dc.title.alternative	Optimization Methods and A.I. for Measurements in Industrial Practice
dc.type	diplomová práce	cs
dc.contributor.referee	Konečný, Martin
dc.date.accepted	2024-06-06
dc.description.abstract-translated	This master's thesis focuses on the application of analytical programming, evolutionary algorithms, and other methods of artificial intelligence and machine learning in the con-text of optimization and modeling in industrial practice. The work is based on a me-ticulous analysis of relevant sources, with its primary aim being to conduct an expert lite-rature review on the given topic in the theoretical part and to apply the described methods in the practical part, including the evaluation of conducted experiments. In the theoretical section, various aspects of evolutionary computing techniques, analytical programming, neural networks, and other data processing methods were thoroughly examined. The practical part of the work consists of a description of data obtained from physical mea-surements, an analysis of the possibilities of synthesizing a model describing this data, and the optimization of parameters settings using evolutionary computing techniques. Extensive experiments and analyses were carried out, contributing to a deeper understan-ding of the issue and providing valuable insights for further research in the field of artifi-cial intelligence and machine learning application in industrial practice.
dc.description.department	Ústav informatiky a umělé inteligence
dc.thesis.degree-discipline	Softwarové inženýrství	cs
dc.thesis.degree-discipline	Software Engineering	en
dc.thesis.degree-grantor	Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky	cs
dc.thesis.degree-grantor	Tomas Bata University in Zlín. Faculty of Applied Informatics	en
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Informační technologie	cs
dc.thesis.degree-program	Information Technologies	en
dc.identifier.stag	66681
dc.date.submitted	2024-05-10