Hibridni sistemi

Sadržaj

Prvi deo: Osnove hibridnih inteligentnih sistema

Hibridni sistemi predstavljaju oblast računarske inteligencije u kojoj se više različitih pristupa povezuje u jedan funkcionalan sistem. Umesto da se oslanjamo samo na pravila, samo na podatke, samo na optimizaciju ili samo na neuralne mreže, hibridni sistemi spajaju ekspertno znanje, fuzzy logiku, mašinsko učenje, evolutivne algoritme i swarm inteligenciju. Prvi deo praktikuma uvodi osnovne pojmove: zašto se sistemi hibridizuju, koje se metode najčešće kombinuju, kako se gradi arhitektura hibridnog sistema i kako se procenjuje njegova snaga, složenost i objašnjivost.

I. Uvod u hibridne sisteme

1. Šta su hibridni sistemi – spajanje više pristupa računarskoj inteligenciji 2. Zašto kombinujemo metode – kada jedan pristup nije dovoljan 3. Prednosti hibridnog pristupa – tačnost, fleksibilnost, robusnost i objašnjivost 4. Ograničenja i rizici – složenost, održavanje, validacija i pretreniravanje 5. Uloga hibridnih sistema u računarskoj inteligenciji – most između znanja, podataka i optimizacije

II. Komponente hibridnog sistema

6. Ekspertni sistemi kao komponenta – pravila, znanje i objašnjivo zaključivanje 7. Fuzzy logika kao komponenta – rad sa nepreciznim i lingvističkim pojmovima 8. Neuralne mreže kao komponenta – učenje obrazaca iz podataka 9. Genetski algoritmi kao komponenta – evolutivna optimizacija struktura i parametara 10. Swarm inteligencija kao komponenta – kolektivna optimizacija i pretraga prostora rešenja

III. Arhitekture hibridnih sistema

11. Serijska arhitektura – kada jedan modul priprema ulaz za drugi 12. Paralelna arhitektura – više modela koji rade istovremeno 13. Hijerarhijska arhitektura – slojevi odlučivanja, kontrole i optimizacije 14. Integrisana arhitektura – kada se metode duboko prepliću u jednom modelu 15. Izbor arhitekture – kako odabrati hibridni pristup za konkretan problem

IV. Neuro-fuzzy sistemi

16. Šta su neuro-fuzzy sistemi – povezivanje neuralnog učenja i fuzzy pravila 17. Fuzzy pravila i učenje – kako se pravila podešavaju pomoću podataka 18. Funkcije pripadnosti i parametri – šta neuralni deo može da optimizuje 19. ANFIS – adaptivni neuro-fuzzy inferencioni sistem 20. Primene neuro-fuzzy sistema – predikcija, kontrola, klasifikacija i odlučivanje

Drugi deo: Optimizacija, projektovanje, implementacija i primene

Kada se savladaju osnovni pojmovi i arhitekture, slede praktične kombinacije: fuzzy ekspertni sistemi, neuro-evolutivni modeli, optimizacija neuralnih mreža genetskim algoritmima, swarm podešavanje parametara, ansambli i sistemi za podršku odlučivanju. Drugi deo praktikuma vodi kroz projektovanje, podatke, evaluaciju, objašnjivost, implementaciju u Pythonu i završni mini projekat. Poseban naglasak je na tome kako se hibridni sistemi koriste kada želimo da povežemo ljudsko znanje, učenje iz podataka, adaptaciju i optimizaciju u jedan stabilan i razumljiv inteligentan sistem.

V. Evolutivni i swarm hibridni sistemi

21. Genetski algoritmi i neuralne mreže – optimizacija težina, strukture i hiperparametara 22. Genetski algoritmi i fuzzy logika – podešavanje pravila i funkcija pripadnosti 23. Swarm i neuralne mreže – PSO pristup treniranju i podešavanju modela 24. Swarm i fuzzy sistemi – optimizacija fuzzy kontrolera i sistema odlučivanja 25. Hibridna optimizacija – kombinovanje lokalne i globalne pretrage rešenja

VI. Hibridni sistemi za odlučivanje i objašnjivost

26. Fuzzy ekspertni sistemi – pravila, nepreciznost i objašnjivo odlučivanje 27. Mašinsko učenje i ekspertna pravila – spajanje predikcije i znanja domena 28. Ansambli kao hibridni sistemi – više modela za stabilnije odluke 29. Objašnjiva AI i hibridni pristup – kada sistem mora da kaže zašto 30. Čovek u petlji – ekspert, korisnik i nadzor nad inteligentnim sistemom

VII. Implementacija hibridnih sistema

31. Python i hibridni sistemi – povezivanje biblioteka, pravila, modela i optimizacije 32. Podaci i priprema – ulazi, normalizacija, izbor atributa i kvalitet podataka 33. Prototip hibridnog sistema – mali model koji kombinuje pravila i učenje 34. Evaluacija hibridnog sistema – metrike, poređenje i testiranje robusnosti 35. Održavanje i unapređivanje – promene pravila, modela, podataka i parametara

VIII. Primene i završni projekat

36. Hibridni sistemi u medicini – podrška dijagnostici, proceni rizika i objašnjivim preporukama 37. Industrija i prediktivno održavanje – kvarovi, senzori, pravila i modeli 38. Finansije i rizik – kombinovanje pravila, predikcije, anomalija i optimizacije 39. AI asistenti i hibridni sistemi – znanje, modeli, alati i kontrolisano odlučivanje 40. Mini projekat – izrada jednog hibridnog sistema za preporuku, klasifikaciju ili odlučivanje

Zaključak: Hibridni sistemi kao spoj znanja, učenja, optimizacije i objašnjive veštačke inteligencije