Detail předmětu

Umělá inteligence v medicíně

FEKT-AUINAk. rok: 2016/2017

Předmět je orientován na základní typy neuronových sítí (se zpětným šířením chyby, Hammingova, Hopfieldova, Kohonenova síť). Druhá část je zaměřena na hierarchické a nehierarchické metody shlukové analýzy. Třetí část se zaměřuje na teorií fuzzy množin, fuzzy relací, fuzzy logiku, fuzzy inference a na postupy přibližného usuzování. Následuje logika v rozhodovacích systémech a predikátová logika.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

doc. Ing. Jiří Kozumplík, CSc.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Výsledky učení předmětu

Absolvent předmětu
- ovládá principy neuronových sítí (se zpětným šířením chyby, Hammingova, Hopfieldova, Kohonenova síť),
- je schopen realizovat shlukovou analýzu pomocí nehierarchických a hierarchických metod,
- je schopen vysvětlit princip fuzzy inference a přibližného usuzování,
- je schopen použít predikátovou logiku.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia. Znalost teorie množin. V laboratorní výuce předpokládáme znalost programového prostředí Matlab.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení na počítači. Předmět využívá e-learning. Student odevzdává jeden samostatný projekt.

Způsob a kritéria hodnocení

Podmínky pro úspěšné ukončení předmětu upřesňuje každoročně aktualizovaná vyhláška garanta předmětu;
- až 30 bodů za řešení zadaných úkolů v laboratorním cvičení (pro postup ke zkoušce je nutný zisk minimálně 15 bodů)
- až 70 bodů za písemnou zkoušku (z písemné zkoušky je nutné získat minimálně 35 bodů)

Osnovy výuky

1. Úvod do umělé inteligence.
2. Umělé neuronové sítě, neuron a jeho charakteristiky, neuron jako klasifikátor.
3. Učení neuronu s binárními a reálnými vstupy a výstupy, jednovrstvý perceptron.
4. Vícevrstvá dopředná síť, algoritmus zpětného šíření chyby.
5. Hammingova síť, Hopfieldova síť, Kohonenova síť.
6. Shluková analýza, hierarchické metody shlukové analýzy.
7. Nehierarchické metody shlukové analýzy, algoritmus k-průměrů.
8. Fuzzy množiny, fuzzy relace.
9. Logika, fuzzy logika, fuzzy inference, přibližné usuzování.
10. Příznakové metody klasifikace, dekorelace příznaků.
11. Logika v rozhodovacích systémech, výroková a predikátová logika.
12. Inference a prokazování tvrzení.

Učební cíle

Získání znalostí o umělých neuronových sítích, seznámení se s hierarchickými a nehierarchickými metodami shlukové analýzy. Seznámení se s teorií fuzzy množin, fuzzy relací, fuzzy logikou, fuzzy inferencí a s postupy přibližného usuzování. Dále s logikou v rozhodovacích systémech, výrokovou a predikátovou logikou.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu (viz Rozvrhové jednotky).
V zásadě:
- povinné počítačové cvičení (zmeškaná laboratorní cvičení musí být řádně omluvená a lze je nahradit po domluvě s vyučujícím)
- nepovinná přednáška

Základní literatura

Kozumplík, J., Provazník, I.: Umělá inteligence v medicíně. Elektronická skripta. ÚBMI FEKT VUT v Brně, Brno, 2007. (CS)

Doporučená literatura

Šnorek, M.: Neuronové sítě a neuropočítače. Skripta ČVUT, Praha, 2002 (CS)

Zařazení předmětu ve studijních plánech

  • Program BTBIO-A bakalářský

    obor A-BTB , 3 ročník, zimní semestr, povinný

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

doc. Ing. Jiří Kozumplík, CSc.
Ing. Marina Filipenská, Ph.D.

Osnova

1. Úvod do umělé inteligence.
2. Umělé neuronové sítě, neuron a jeho charakteristiky, neuron jako klasifikátor.
3. Učení neuronu s binárními a reálnými vstupy a výstupy, jednovrstvý perceptron.
4. Vícevrstvá dopředná síť, algoritmus zpětného šíření chyby.
5. Hammingova síť, Hopfieldova síť, Kohonenova síť.
6. Shluková analýza, hierarchické metody shlukové analýzy.
7. Nehierarchické metody shlukové analýzy, algoritmus k-průměrů.
8. Fuzzy množiny, fuzzy relace.
9. Logika, fuzzy logika, fuzzy inference, přibližné usuzování.
10. Příznakové metody klasifikace, dekorelace příznaků.
11. Logika v rozhodovacích systémech, výroková a predikátová logika.
12. Inference a prokazování tvrzení.

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Ing. Marina Filipenská, Ph.D.

Osnova

1. Jeden umělý neuron bez učení.
2. Použití neuronu jako klasifikátoru.
3. Učení neuronu, δ-pravidlo. Perceptron v Neural Network Toolbox.
4. Neuronová síť bez učení.
5. Učení neuronové sítě, algoritmus zpětného šíření chyby (back propagation, BP).
6. Dopředná BP síť v Neural Network Toolbox (příklad klasifikace EKG cyklů).
7. Dopředná BP síť v Neural Network Toolbox (příklad aproximace signálů).
8. Hierarchická shluková analýza.
9. Nehierarchická shluková analýza.
10. PCA a dekorelace příznaků.
11. Fuzzy shluková analýza.
12. Fuzzy inference a přibližné usuzování.