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
Zajišťuje ústav
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.
- 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)
- 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.
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
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
Typ (způsob) výuky
Přednáška
26 hod., nepovinná
Vyučující / Lektor
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.
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
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.
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.