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 Python. 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. Shluková analýza, hierarchické metody shlukové analýzy
8. Nehierarchické metody shlukové analýzy, algoritmus k-průměrů, algoritmus fuzzy k-průměrů
9. Fuzzy množiny, fuzzy relace, fuzzy logika. Fuzzy shlukování
10. Přibližné usuzování. Fuzzy inferenční systémy
11. Příklady použití umělých neuronových síti, shlukování a 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)