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, shluková analýza, lineární klasifikátory, selekce příznaků, hodnocení klasifikátorů. 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
Počet kreditů
Garant předmětu
Zajišťuje ústav
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
Doporučená literatura
Zařazení předmětu ve studijních plánech
- Program BPC-BTB bakalářský 3 ročník, zimní semestr, povinný
Typ (způsob) výuky
Přednáška
Vyučující / Lektor
Osnova
2. Příprava naměřených dat: příznakový popis, normalizace/standardizace, trénovací/testovací/validační množiny.
3. Selekce příznaků. Extrakce příznaků (metoda hlavních komponent, PCA).
3. Shluková analýza. Hierarchické metody shlukové analýzy.
4. Nehierarchické metody shlukové analýzy: algoritmus k-means. Interpretace a validace výstupu shlukování: analýza siluety.
5. Umělé neuronové sítě. Neuron jako klasifikátor (perceptron), charakteristiky perceptronu.
6. Učení perceptronu: delta-pravidlo. Limitace perceptronu: lineární vs. nelineární úloha.
7. Vícevrstvá dopředná síť. Algoritmus zpětného šíření chyby. Optimalizace parametrů sítě.
8. Hodnocení kvality klasifikace a regrese. Cross-validace modelů strojového učení.
9. Lineární klasifikátory: SVM, logistická regrese.
10. Pravděpodonostní modely. Metody “Maximum likelihood” a “Maximum a-posteriori probability”.
11. Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes.
12. Příklady použití metod strojového učení pro řešení reálných úloh.
Cvičení na počítači
Vyučující / Lektor
Osnova
1. Základy vektorizace a maticových operací
2. Hierarchické shlukování dat
3. Nehierarchické shlukování dat
4. Redukce počtu příznaků a analýza hlavních komponent
5. Návrh perceptronu (bez učení)
6. Nárvh neuronové sítě (bez učení)
7. Delta pravidlo
8. Učení dopředné sítě I
9. Učení dopředné sítě II
10. Validace modelu a hodnocení výsledků klasifikace
11. Lineární klasifikátory: SVM, logistická regrese.