450-4049/01 – Aplikovaná umělá inteligence (AUI)
| Garantující katedra | Katedra kybernetiky a biomedicínského inženýrství | Kredity | 4 |
| Garant předmětu | prof. Ing. Martin Černý, Ph.D. | Garant verze předmětu | prof. Ing. Martin Černý, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | volitelný odborný |
| Ročník | | Semestr | zimní |
| | Jazyk výuky | čeština |
| Rok zavedení | 2010/2011 | Rok zrušení | |
| Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Studenti se seznámí se základy vědního oboru umělá inteligence, poznají její nástroje v biomedicínských aplikačních oblastech a seznámí se s metodami syntézy jednoduchých systémů umělé inteligence.
Studenti budou schopni praktického použití nástrojů umělé inteligence, návrhů fuzzy expertního systému, umělé neuronové sítě nebo genetického optimalizačního algoritmu s ohledem na aplikace v biomedicínském inženýrství.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Experimentální práce v laboratoři
Anotace
Předmět je prioritně zaměřen na získání znalostí a aplikace metod umělé inteligence v kontextu zpracování a modelování biomedicínských dat. Předmět se skládá ze čtyřech hlavních oblasti umělé inteligence. V první části předmětu je řešena problematika fuzzy matematiky, fuzzy modelování a návrhu expertních systémů. Druhá část předmětu se věnuje problematice klasifikaci dat s důrazem na oblast neuronových sítí. Další oblast se věnuje optimalizačním technikám s důrazem na analýzu genetických algoritmů pro řešení složitých matematických problémů. Poslední část předmětu je věnována hierarchickým a ne hierarchickým metodám shlukové analýzy.
Povinná literatura:
Doporučená literatura:
VOLNÁ,E. Neuronové sítě. Ostravská univerzita, Ostrava. 2008
HYNEK,J. Genetické algoritmy a genetické programování. Grada, 2008. ISBN: 978-80-247-2695-3
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Průběžná kontrola studia:
Průběžná kontrola je prováděna na základě účasti studenta v laboratorních cvičeních.
Podmínky udělení klasifikovaného zápočtu:
Student může dosáhnout 40 bodů za elaboráty laboratorních cvičení. Minimální počet dosažených bodů pro udělení zápočtu je 21.
Pro absolvování předmětu musí student obdržet zápočet a složit písemný test se ziskem 60, min 30 bodů.
E-learning
Další požadavky na studenta
Žádné další požadavky na studenta nejsou kladeny
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
1. Úvod do umělé inteligence jako vědní disciplíny
2. Principy metod umělé inteligence, význam znalostí pro kvalitu řešení problémů
3. Metody počítačové reprezentace znalostí
4. Matematické a jazykové modelování
5. Formalizace neurčitosti v jazykových modelech
6. Základy fuzzy množinové matematiky a fuzzy logiky
7. Fuzzy modely typu Mamdani
8. Fuzzy modely typu Takagi-Sugeno
9. Fuzzy regulátory
10. Diagnostické expertní systémy
11. Topologie a funkce vícevrstvých neuronových sítí
12. Aplikace neuronových sítí v biomedicínckém inženýrství
13. Genetické algoritmy jako univerzální optimalizační metody
14. Aplikace genetických algoritmů pro adaptační úlohy
Laboratoře:
1. Fuzzy regulátor s mikroprocesorem a PLC
Počítačové laboratoře:
1. Počítačový systém MATLAB
2. Fuzzy ToolBox MATLABU
3. Fuzzy množiny a reprezentace vágních pojmů v MATLABu
4. Formalizace fuzzy podmíněných pravidel v MATLABu
5. Fuzzy model typu Mandami v MATLABu
6. Fuzzy model typu Takagi-Sugeno v MATLABu
7. Diagnostické fuzzy expertní systémy
8. Fuzzy regulátory v MATLABu
9. Expertní modul pro vyhodnocování křivky pletysmografu
10. Expertní modul pro identifikaci artefaktů v záznamu EEG
11. Syntéza vícevrstvých neuronových sítí v Neural ToolBoxu MATLABu
12. Aplikace neuronové sítě v biomedicíně
13. Syntéza genetického algoritmu v MATLABu
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky