Detail předmětu

Umělá inteligence v medicíně

FEKT-BPC-UIMAk. rok: 2025/2026

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 Python.

 

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 36 bodů ze zkoušky
• získání celkem (tj. z týmového projektu a zkoušky) alespoň 50 bodů


Učební cíle

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


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

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

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Osnova

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


Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Osnova

1. Základy vektorizace a maticových operací

2. Hierarchické shlukování dat

3. Nehierarchické shlukování dat

4. Fuzzy shlukování dat

5. Redukce počtu příznaků a analýza hlavních komponent

6. Návrh perceptronu (bez učení)

7. Nárvh neuronové sítě (bez učení)

8. Delta pravidlo

9. Učení dopředné sítě

10. Redukce počtu příznaků, validace modelu a hodnocení výsledků klasifikace

11. Fuzzy inference