čeština

Absolvent předmětu
- ovládá principy neuronových sítí (se zpětným šířením chyby, Hammingova, Kohonenova síť),
- je schopen realizovat shlukovou analýzu pomocí nehierarchických a hierarchických metod,
- je schopen vysvětlit princip fuzzy inference a přibližného usuzování,
- je schopen provést výběr relevantních atributů pro následnou analýzu,
- je schopen provést hodnocení úspěšnosti algoritmů strojového učení,
- je schopen uvést příklady využití výše popsaných algoritmů v biomedicínských aplikacích.

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

Metody vyučování zahrnují přednášky a cvičení na počítači. Předmět využívá e-learning. Studenti řeší dva samostatné úkoly (v půli a na konci semestru, v průběhu laboratorní výuky).

Podmínky pro úspěšné ukončení předmětu upřesňuje každoročně aktualizovaná vyhláška garanta předmětu.

Bodové hodnocení předmětu:

1) Týmový projekt (max. 25 bodů):
• zpracování originálního řešení týmového projektu a jeho obhajoba na konci semestru (podle pokynů)
- hodnoceno bude splnění zadání a kvalita prezentace výsledků všemi členy týmu
- plagiátorství bude mít za následek neudělení zápočtu

2) Závěrečná zkouška (max. 75 bodů):
• kombinovaná forma (písemná i ústní)
• celkem tři části, každá za max. 25 bodů

Podmínky pro udělení zápočtu a připuštění k závěrečné zkoušce:
• získání nenulového počtu bodů za týmový projekt
• maximálně dvě omluvené neúčastí na cvičeních

Podmínky pro úspěšné absolvování předmětu:
• získání zápočtu
• získání nejméně 12 bodů z každé ze tří částí zkoušky
• získání celkem (tj. z týmového projektu a zkoušky) alespoň 50 bodů

Zkouška z předmětu bude probíhat prezenčně.

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, 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. Výběr relevantních příznaků a dekorelace příznaků.
11. Hodnocení úspěšnosti klasifikačních, predikčních a aproximačních algoritmů.
12. Biomedicínské aplikace metod strojového učení.

Získání znalostí o umělých neuronových sítích, seznámení se s hierarchickými a nehierarchickými metodami shlukové analýzy, teorií fuzzy množin, fuzzy relací, fuzzy logikou, fuzzy inferencí a s postupy přibližného usuzování. Dále s metodami pro výběr relevantních atributů a pro hodnocení výsledků dosažených pomocí výše popsaných metod.

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

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

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