Detail předmětu

Umělá inteligence v medicíně

FEKT-AUINAk. rok: 2017/2018

Předmět je orientován na základní typy neuronových sítí (se zpětným šířením chyby, Hammingova, Kohonenova síť). Druhá část je zaměřena na hierarchické a nehierarchické metody shlukové analýzy. Třetí část se zaměřuje na teorií fuzzy množin, fuzzy relací, fuzzy logiku, fuzzy inference a na postupy přibližného usuzování. Následuji metody pro výběr relevantních atributů a pro hodnocení výsledků dosažených pomocí výše popsaných prostředků umělé inteligence.

Jazyk výuky

čeština

Počet kreditů

5

Výsledky učení předmětu

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.

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia. Znalost teorie množin. V laboratorní výuce předpokládáme znalost programového prostředí Matlab.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení na počítači. Předmět využívá e-learning. Studenti řeší dva samostatné úkoly (v půli a na konci semestru, v průběhu laboratorní výuky).

Způsob a kritéria hodnocení

Podmínky pro úspěšné ukončení předmětu upřesňuje každoročně aktualizovaná vyhláška garanta předmětu;
- až 20 bodů za řešení zadaných úkolů v laboratorním cvičení (pro postup ke zkoušce je nutný zisk nenulového počtu bodů ze všech úkolů)
- až 80 bodů za zkoušku (ze zkoušky je nutné získat minimálně 40 bodů)

Osnovy výuky

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.

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.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

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

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 BTBIO-A bakalářský

    obor A-BTB , 3. ročník, zimní semestr, povinný

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1. 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.