čeština

Posluchač získá základní znalosti a dovednosti z oblasti využití metod umělé inteligence. Bude schopen aplikovat nejčastěji používané metody v praxi za účelem zpracování a analýzy dat.
Písemnou zkouškou se ověřuje, že absolvent předmětu je schopen:
- vysvětlit základní pojmy z oblasti umělé inteligence,
- popsat základní metody v této oblasti, diskutovat výhody a nevýhody jednotlivých metod,
- vybrat a použít vhodné nástroje pro daný problém z této oblasti,
- vyhodnotit kvalitu dosažených výsledků a prezentovat je ve vhodné formě,
- interpretovat dosažené výsledky.

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

Metody vyučování zahrnují přednášky a cvičení na počítači. Předmět využívá e-learning. Student absolvuje dvě písemky.

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

Předmět je orientován na běžně používané metody z oblasti umělé inteligence: umělé neuronové sítě, fuzzy logika a fuzzy inferenční systémy, shluková analýza. Jsou probíraný jak teoretické (základní principy jednotlivých metod), tak praktické (aplikace při řešení úlohy klasifikace, regrese a shlukování) aspekty. Teorie je probíraná v přímé spojitosti s praktickými příklady. Veškeré výpočetní techniky jsou procvičovány s pomocí prostředí Matlab. Kurz připravuje posluchače k samostatnému využití daných metod pro analýzu dat ve vlastní vědecké či rutinní práci.

1. Úvod do umělé inteligence. Oblasti aplikace: klasifikace (do dvou a více tříd), regrese a shlukování. Přehled algoritmů strojového učení
2. Příprava naměřených dat: příznakový popis, normalizace, výběr informativních příznaků, dekorelace příznaků
3. Hodnocení kvality dosažených výsledků klasifikace, regrese a shlukování
4. Umělé neuronové sítě, neuron a jeho charakteristiky. Neuron jako klasifikátor. Lineární vs. nelineární úloha
5. Učení neuronu s binárními a reálnými vstupy a výstupy, jednovrstvý perceptron
6. Vícevrstvá dopředná síť, algoritmus zpětného šíření chyby
7. Hammingova síť, Hopfieldova síť, Kohonenova síť
8. Příklady použití umělých neuronových síti pro řešení reálných úloh
9. Shluková analýza, hierarchické metody shlukové analýzy
10. Nehierarchické metody shlukové analýzy, algoritmus k-průměrů
11. Příklady použití shlukování pro řešení reálných úloh
12. Fuzzy množiny, fuzzy relace, fuzzy logika. Fuzzy shlukování
13. Přibližné usuzování. Fuzzy inferenční systémy
14. Příklady použití fuzzy inferenčních systémů pro řešení reálných úloh

Cílem předmětu je poskytnout studentům znalosti z oblasti umělé inteligence a prezentovat jim možnosti využiti moderních nástrojů umělé inteligence při akvizici, zpracování a analýze dat pro sportovní prostředí.

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)