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

čeština

Počet kreditů

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/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

26 hod., povinná

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.