Detail předmětu

Umělá inteligence v medicíně

FEKT-BPC-UIMAk. rok: 2023/2024

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. 

Jazyk výuky

čeština

Počet kreditů

5

Vstupní znalosti

Jsou požadovány znalosti na úrovni bakalářského studia. Znalost teorie množin. Ve cvičeních předpokládáme znalost programového prostředí Matlab.

Pravidla hodnocení a ukončení předmětu

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
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

Učební cíle

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.
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.

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)

Elearning

Zařazení předmětu ve studijních plánech

  • Program BPC-BTB bakalářský 3 ročník, zimní semestr, povinný

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, 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.

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Osnova

1. Jeden umělý neuron bez učení.
2. Neuronová síť bez učení.
3. Učení neuronu, δ-pravidlo.
4. Učení neuronové sítě, algoritmus zpětného šíření chyby (back propagation, BP).
5. Perceptron a BP síť v Neural Network Toolbox.
6. Hammingova síť.
7. Hierarchická shluková analýza.
8. Nehierarchická shluková analýza.
9. Fuzzy shluková analýza.
10. Fuzzy inferenční systém (FIS).
11. FIS ve Fuzzy Logic Toolbox.
12. PCA a komprese dat.

Elearning