Zadání projektů

Projekty SFC 2026/2027

Projekt je individuální práce, ve které student řeší zvolený problém pomocí některého z přístupů probíraných v předmětu Soft Computing nebo pomocí předem schváleného rozšiřujícího přístupu.
Výsledkem projektu je funkční program, reprodukovatelné vyhodnocení, stručná technická zpráva a ústní obhajoba.
Cílem projektu není pouze ukázat, že vybraný algoritmus lze spustit. Student by měl prokázat, že rozumí jeho principu, dokáže vhodně formulovat úlohu, navrhnout řešení, korektně vyhodnotit výsledek a vysvětlit jeho omezení.
Projekt je hodnocen maximálně 30 body.

Výběr zadání

Seznam témat je zveřejněn v informačním systému fakulty, kde se studenti na jednotlivá zadání registrují.
Část témat přímo navazuje na odpřednášenou problematiku. Některá témata jsou označena jako rozšiřující; u nich se předpokládá samostatné nastudování potřebných principů.
Je možné navrhnout také vlastní téma. Student v takovém případě zašle před registrací na standardní zadání stručný abstrakt obsahující:

řešený problém,
předpokládanou metodu nebo skupinu metod,
očekávaný vlastní přínos,
způsob, jakým bude řešení vyhodnoceno.

Vlastní téma musí být předem odsouhlaseno vyučujícím.
Kvalitní zpracování rozšiřujícího tématu, zejména vznikne-li demonstrační program nebo jiný materiál použitelný ve výuce SFC, může být zohledněno prémiovými body.

Varianty zpracování

Pokud konkrétní zadání neurčuje způsob zpracování přímo, lze zvolit jednu z následujících variant.

1. Demonstrace a vlastní implementace principu

Cílem je názorně ukázat podstatný mechanismus vybraného algoritmu.
Podstatná část algoritmu musí být viditelná ve vlastním zdrojovém kódu. Program by měl umožnit zadání nebo načtení vhodných vstupních dat a parametrů a přehledné zobrazení průběhu a výsledků.
Tam, kde je to pro pochopení algoritmu užitečné, lze umožnit například:

krokování algoritmu,
vizualizaci vnitřního stavu,
změnu důležitých parametrů,
sledování konvergence,
opakování experimentu s různými počátečními podmínkami.

Interaktivní uživatelské rozhraní není samo o sobě cílem projektu. Má smysl pouze tehdy, pomáhá-li pochopení nebo použití algoritmu.
Součástí musí být alespoň jednoduché ověření korektnosti implementace, například porovnáním s ručně spočítaným příkladem, známým výsledkem nebo referenční implementací.

2. Praktická aplikace metody

Vybraná metoda je použita k řešení konkrétního problému.
Důraz je kladen zejména na:

správnou formulaci úlohy,
vhodnou reprezentaci vstupů a výstupů,
volbu metody a jejích parametrů,
experimentální vyhodnocení,
interpretaci výsledků.

Je-li to smysluplné, musí být výsledek porovnán alespoň s jedním jednoduchým referenčním řešením.
U této varianty lze využít existující knihovny a frameworky ve větším rozsahu než u demonstrační varianty. Vlastním přínosem studenta pak musí být návrh a realizace aplikačního řešení a experimentu, nikoli pouze spuštění existující implementace.

3. Experimentální porovnání nebo hybridní řešení

Cílem je porovnat dva nebo několik přístupů použitelných na stejný problém nebo vytvořit řešení kombinující více metod.
Porovnávané metody musí být hodnoceny za srovnatelných podmínek a pomocí stejných metrik.
U stochastických metod nestačí prezentovat jeden vybraný nebo nejlepší běh.
U hybridního systému musí být pokud možno ověřeno, zda kombinace přináší výhodu proti jednoduššímu řešení nebo proti jednotlivým komponentám.
Není cílem vyzkoušet co největší počet algoritmů. Dobře provedené porovnání dvou nebo tří vhodně zvolených metod je cennější než povrchní test mnoha variant.

Společné požadavky na všechny projekty

Každý projekt musí mít jasně formulovaný cíl nebo otázku, na kterou má řešení odpovědět.
Kde to charakter úlohy umožňuje, očekává se:

jednoduché referenční řešení nebo jiná kontrola výsledku,
předem definovaná metrika nebo jiné kritérium úspěšnosti,
korektní oddělení dat použitých pro učení, volbu parametrů a závěrečné vyhodnocení,
více opakování u metod, jejichž výsledek významně závisí na náhodě,
přibližně férové podmínky při porovnávání metod,
uvedení důležitých parametrů experimentu,
stručná diskuse omezení dosaženého výsledku.

Testovací data nesmí být používána k průběžnému výběru modelu nebo nastavování parametrů.
U stochastického algoritmu zpravidla nestačí uvést pouze nejlepší dosažený výsledek. Podle charakteru úlohy je vhodné uvést například průměr, medián, rozptyl, interval nebo alespoň výsledky několika nezávislých běhů.
Rozsah experimentů má odpovídat semestrálnímu projektu. Neočekává se rozsáhlá výzkumná studie.

Témata projektů

Témata navazující na přednášky

Autoenkodér. Učení reprezentace, redukce rozměru, denoising, detekce anomálií nebo jiné netriviální využití autoenkodéru. Možné je také experimentální využití naučené reprezentace v dalším modelu.
LSTM nebo GRU pro sekvenční data. Aplikace a porovnání například s vícevrstvým perceptronem, 1D konvoluční sítí nebo transformerem.
Konvoluční neuronová síť. Netriviální aplikace CNN, případně kombinace CNN se sekvenčním modelem, attention nebo jinou metodou.
Embedding symbolických nebo kategoriálních dat. Návrh nebo adaptace embeddingu v rámci konkrétní aplikace a porovnání s jednodušší reprezentací, pokud je takové porovnání smysluplné.
Attention nebo transformer. Aplikace ideálně mimo klasické generování textu pomocí velkých jazykových modelů, například klasifikace sekvencí, predikce časových řad nebo zpracování strukturovaných dat.
Moderní Hopfieldova síť. Demonstrace asociativní paměti nebo její aplikace, případně experimentální porovnání s klasickou Hopfieldovou sítí, attention nebo jinou vhodnou metodou.
Adaptivní neuro-fuzzy systém / ANFIS. Aplikace v regresi, klasifikaci nebo řízení. Vhodné je porovnání s jednodušším fuzzy systémem, neuronovou sítí nebo jiným referenčním řešením.
Posilované učení. Porovnání různých funkčních aproximátorů nebo vhodně vybraných variant RL nad stejným prostředím. Lze využít například neuronovou síť, neuro-fuzzy systém nebo jiný aproximátor.
Genetický algoritmus nebo genetické programování. Netriviální optimalizační úloha, symbolická regrese, evoluce struktury nebo parametrů jiného modelu, případně jiné hybridní řešení.
PSO, ACO nebo jiná metoda rojové inteligence. Netriviální aplikace nebo experimentální porovnání s jiným optimalizačním algoritmem.
Black-box optimalizace. Porovnání například GA nebo PSO s diferenciální evolucí, CMA-ES nebo jiným vhodným optimalizačním algoritmem při srovnatelném rozpočtu vyhodnocení účelové funkce.
Hybridní systém výpočetní inteligence. Smysluplná kombinace například neuronové, fuzzy a evoluční metody. Je žádoucí experimentálně ověřit přínos jednotlivých komponent.

Rozšiřující témata se samostudiem

Následující témata mohou vyžadovat nastudování principů nad rámec povinného výkladu.

Liquid Neural Network. Vhodná aplikace některé z variant LTC, CfC, NCP apod. a porovnání s vhodným sekvenčním modelem.
Grafová neuronová síť. Aplikace GNN na úlohu s přirozenou grafovou strukturou a porovnání s rozumným referenčním řešením.
Online nebo adaptivní klasifikace inspirovaná ART. Aplikace například na postupně přicházející data, změnu distribuce dat nebo adaptivní řízení.
Jiné téma. Lze zvolit i jiný přístup z oblasti soft computingu nebo výpočetní inteligence. Téma musí být předem odsouhlaseno vyučujícím na základě zaslaného abstraktu.

Programy

Programy se očekávají v jazycích C/C++ nebo Python. Použití jiného jazyka nebo prostředí je možné po předchozí dohodě.
Projekt musí být přeložitelný a spustitelný ve virtuálním prostředí založeném na Ubuntu určeném pro SFC v aktuálním akademickém roce. Ve stejném prostředí budou projekty také hodnoceny.
Projekt musí obsahovat soubor README s přesným postupem:

instalace potřebných závislostí,
překladu, je-li potřeba,
spuštění demonstrační nebo základní varianty,
spuštění hlavního experimentu,
významu případných parametrů programu.

Je-li nutné instalovat další knihovny, nástroje nebo stáhnout data, musí být postup automatizován instalačním skriptem, pokud možno bez potřeby administrátorského oprávnění.
Jsou-li při spuštění nutné parametry, musí být přiložen alespoň jeden přímo spustitelný skript nebo příkaz připravený pro demonstrační běh.
U stochastických metod musí být možné určit nebo zaznamenat seed generátoru náhodných čísel, pokud to použité prostředí umožňuje.

Knihovny a frameworky

Použití knihoven a frameworků je povoleno. Rozsah jejich použití musí odpovídat cíli projektu.
U demonstrační varianty musí být podstatný mechanismus zkoumaného algoritmu implementován tak, aby byl viditelný ve vlastním kódu studenta. Existující implementaci lze použít například jako referenční řešení.
U aplikačních a porovnávacích projektů je možné použít běžnou implementaci algoritmu z existující knihovny nebo frameworku. Vlastním přínosem pak musí být zejména návrh řešení, příprava dat nebo prostředí, návrh experimentu, implementace aplikační části a vyhodnocení výsledků.
Pouhé zavolání hotového modelu nebo algoritmu nad standardními daty s výchozími parametry není samo o sobě dostatečným řešením projektu.
Veškerý převzatý zdrojový kód nebo významně upravené cizí řešení musí být jasně označeno a musí být uveden jeho zdroj.
V případě pochybností o tom, zda použití konkrétní knihovny ponechává dostatečný prostor pro vlastní přínos, doporučujeme postup předem konzultovat.

Data a naučené modely

Pokud učení nebo optimalizace trvá dlouho, odevzdejte také naučený model nebo jiný výsledek dlouhého výpočtu.
Současně musí být uvedeno:

jakým příkazem byl model vytvořen,
jaká data a konfigurace byly použity,
přibližná doba výpočtu a použitý hardware, je-li to podstatné,
jak lze již naučený model použít pro demonstrační běh.

Je vhodné připravit také zkrácenou variantu experimentu, na které lze ověřit funkčnost programu bez nutnosti opakovat několikahodinové nebo několikadenní učení.
Velké datové sady nebo modely není nutné vkládat přímo do odevzdávaného archivu. Mohou být automaticky staženy z vhodného stabilního úložiště.

Technická zpráva

Součástí projektu je technická zpráva v PDF.
Rozsah hlavního textu je 4 až 6 stran. Samostatná titulní strana není nutná; identifikační údaje lze uvést v záhlaví první stránky. Seznam použité literatury se do stanoveného rozsahu nepočítá.
Zpráva má být stručná a zaměřená na podstatné informace. Typicky by měla obsahovat:

formulaci řešeného problému a cíle projektu,
stručné vysvětlení použitého principu,
popis vlastního návrhu a implementace,
popis experimentu a použitých metrik,
výsledky,
interpretaci a diskusi výsledků,
omezení řešení a možné pokračování.

Podrobný návod k instalaci a spouštění programu patří především do souboru README, nikoli do hlavního textu zprávy.
Zpráva může být vypracována v českém, slovenském nebo anglickém jazyce.
Převzaté myšlenky, texty, obrázky, data a zdrojové kódy musí být odpovídajícím způsobem citovány.

Použití generativní AI a programovacích asistentů

Použití generativní AI, nástrojů pro doplňování programu a podobných pomocných prostředků je možné.
Ve zprávě stručně uveďte, zda a k čemu byly takové nástroje použity, například při:

hledání chyb v programu,
generování pomocného kódu,
návrhu experimentu,
úpravách textu dokumentace.

Student odpovídá za korektnost celého odevzdaného řešení bez ohledu na použitý nástroj.
Při obhajobě musí být schopen vysvětlit libovolnou podstatnou část svého programu, použitých algoritmů, experimentu a výsledků.
Rozsáhlý převzatý nebo automaticky generovaný kód, kterému student nerozumí a který netvoří jeho vlastní přínos, nemůže být hodnocen jako vlastní řešení projektu.

Originalita projektu

Projekt musí být individuálním dílem studenta.
Není přípustné odevzdávat:

projekt jiného studenta,
modifikovaný projekt z minulých let bez zřetelného vlastního přínosu,
převzatý notebook nebo demonstrační program vydávaný za vlastní řešení,
text nebo zdrojový kód převzatý bez uvedení zdroje.

Použití existujících knihoven, veřejných dat, referenčních implementací a odborných zdrojů je naopak přirozenou součástí práce, pokud je jejich použití transparentní a je zřejmý vlastní přínos studenta.

Odevzdání projektu

Projekt se odevzdává standardním způsobem do informačního systému fakulty.
Odevzdávaný archiv má název

n-login.zip

kde

je číslo varianty zadání a

login

je školní login studenta.
Archiv musí obsahovat především:

vlastní zdrojové kódy,
potřebné konfigurační soubory,
instalační a spouštěcí skripty,
README,
technickou zprávu v PDF.

Do archivu nevkládejte zbytečně objemné datové sady, virtuální prostředí, cache knihoven ani jiné automaticky obnovitelné soubory.
Je-li pro projekt nutný větší externí soubor, například datová sada nebo naučený model, připravte jeho automatické stažení a uveďte zdroj v dokumentaci.
Dodržte aktuální limit velikosti souboru nastavený informačním systémem.

Obhajoba projektu

Obhajoba projektu je povinná. Bez obhajoby nebude projekt hodnocen.
Na jeden projekt je vyhrazeno přibližně 10 minut:

přibližně 3 minuty prezentace,
přibližně 7 minut diskuse.

Pro prezentaci doporučujeme 3 až 5 snímků.
Krátká prezentace by se měla soustředit zejména na:

jaký problém byl řešen,
jaké řešení student vytvořil,
nejdůležitější výsledek,
co z výsledku lze a nelze vyvodit.

Není vhodné spotřebovat většinu času obecným teoretickým výkladem algoritmu.
Během diskuse může být student požádán o vysvětlení principu metody, implementačních rozhodnutí, zdrojového kódu, použitých metrik nebo interpretace výsledků.
Je vhodné mít připraven vlastní notebook s funkčním projektem a PDF prezentací. Krátká demonstrace programu může být součástí obhajoby, je-li pro projekt přínosná.

Hodnocení projektu

Celkem lze získat maximálně 30 bodů.

Oblast	Body
Formulace problému, volba metody a vlastní přínos	5
Implementace, funkčnost a reprodukovatelnost	6
Experimentální vyhodnocení a porovnání	7
Technická zpráva	5
Ústní obhajoba a prokázané porozumění	7
Celkem	30

Formulace problému, volba metody a vlastní přínos — 5 bodů

Hodnotí se především:

smysluplnost řešeného problému,
vhodnost zvolené metody,
přiměřená náročnost projektu,
jasně identifikovatelný vlastní přínos studenta.

Samotná složitost použité metody není cílem. Jednodušší, ale promyšlené a dobře vyhodnocené řešení může být hodnotnější než složitá architektura použitá bez hlubšího porozumění.

Implementace, funkčnost a reprodukovatelnost — 6 bodů

Hodnotí se například:

korektnost implementace,
funkčnost programu,
přehlednost řešení,
použitelnost programu pro zamýšlený účel,
možnost projekt podle dokumentace spustit,
reprodukovatelnost demonstračních a experimentálních běhů.

Experimentální vyhodnocení a porovnání — 7 bodů

Hodnotí se především:

vhodnost zvolených metrik,
kvalita experimentálního návrhu,
použití vhodného referenčního řešení tam, kde je to relevantní,
korektní zacházení s trénovacími, validačními a testovacími daty,
práce s variabilitou stochastických metod,
férovost porovnání,
interpretace výsledků a jejich omezení.

U čistě demonstračního projektu se místo rozsáhlého experimentu hodnotí odpovídající ověření správnosti a názorné prozkoumání chování algoritmu.

Technická zpráva — 5 bodů

Hodnotí se obsahová, odborná, formální a jazyková kvalita zprávy, vhodné použití grafů a tabulek, práce se zdroji a schopnost stručně a přesně popsat podstatné aspekty projektu.

Ústní obhajoba a prokázané porozumění — 7 bodů

Hodnotí se:

schopnost stručně představit podstatu projektu,
porozumění použité metodě,
schopnost vysvětlit vlastní implementaci,
schopnost interpretovat výsledky,
odpovědi na otázky a schopnost diskutovat omezení řešení.

Výrazně nadstandardní projekty mohou být oceněny prémiovými body. Prémiové body nenahrazují chybějící základní požadavky projektu.