Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2018/2019

Algoritmy umělé inteligence

Přihlášení do KOSu pro zápis předmětu Zobrazit rozvrh
Kód Zakončení Kredity Rozsah Jazyk výuky
17PMBAUI Z 2 1+1 česky
Přednášející:
Václava Piorecká, Vladimír Krajča (gar.), Marek Piorecký, Hana Schaabová, Jan Štrobl
Cvičící:
Václava Piorecká, Marek Piorecký, Hana Schaabová, Jan Štrobl
Předmět zajišťuje:
katedra biomedicínské techniky
Anotace:

Základní i pokročilé metody umělé inteligence prakticky procvičované na cvičeních. Statistické metody rozpoznávání, neuronové sítě, extrakce příznaků.

Požadavky:

Aktivní přístup na cvičení. V průběhu každého cvičení budou realizovány bodované úlohy. Pro udělení zápočtu je nezbytné, aby student získal více jak 50 % bodů ze cvičení za úlohy.

Účast na cvičeních je povinná. Povolená je pouze jedna absence bez udání důvodu. U případných dalších absencí je nezbytné doložit důvod abscence (např. potvrzení od lékaře) a praktické úlohy ze cvičení si nahradit formou samostatné práce.

Osnova přednášek:

1. Analýza biologických signálů v časové i frekvenční oblasti. Přehled metod umělé inteligence a jejich využití ve zpracování biologických signálů. Neuronové sítě.

2. Segmentace (fixní vs. adaptivní), extrakce a selekce příznaků, tvorba a redukce příznakového prostoru. Příznakově orientované metody klasifikace. Shlukovací algoritmy, učení bez učitele, optimalizace vstupních parametrů shlukovacích algoritmů.

3. Teorie fuzzy množin a zvýšení homogenity tříd, učící se a neučící se fuzzy klasifikátory (FCM, fuzzy k-NN,..), Cluster validity

4. Neuronové sítě - model neuronu, perceptron, přehled a typy neuronových sítí (samo-se-organizující sítě, Hebbovo učení, Kohonenovy sítě). Proces učení neuronových sítí.

5. Sítě typu feed-forward. Multilayer perceptron a backpropagation algoritmus. XOR problém.

6. Optimalizace a útěk z lokálního minima. Newtonova gradientní metoda. Conjugate gradient. Simulated annealing - inicializace vah. Genetické algoritmy. Fitness function. Moderní metody a trendy.

7. Metody hlavních a nezávislých komponent pro eliminaci artefaktů z biosignálů. Metody umělé inteligence pro zpracování záznamů z EEG monitorování.

Osnova cvičení:

1. Analýza biologických signálů v časové i frekvenční oblasti. Načítání dat a základní vizualizační metody.

2. Segmentace, výpočet příznaků z časové i frekvenční oblasti, klasifikace za pomoci k-means a DBSCAN

3.Praktický návrh fuzzy metod v programovém prostředí MATLAB (FCM, fuzzy k-NN)

4. Programování jednoduchého perceptronu.

5. Neuronové sítě - algoritmus backpropagation.

6. Programování jednoduchého genetického algoritmu.

7.Analýza hlavních a nezávislých komponent.

Cíle studia:

Pochopit základní funkce vybraných algoritmů umělé intelugence v MATLABu.

Studijní materiály:

Haykin. S. Neural Networks. A comprehensive foundation. Macmillan, 1994.

Principe J. Euliano N, Lefebvrve C. Neural and adaptive systems. Fundamentals through simulations. Wiley 2000

www.skolicka.fbmi.cvut.cz

Poznámka:
Další informace:
www.skolicka.fbmi.cvut.cz
Rozvrh na zimní semestr 2018/2019:
Rozvrh není připraven
Rozvrh na letní semestr 2018/2019:
06:00–08:0008:00–10:0010:00–12:0012:00–14:0014:00–16:0016:00–18:0018:00–20:0020:00–22:0022:00–24:00
Po
místnost KL:B-331
Piorecká V.
Piorecký M.

14:00–15:50
SUDÝ TÝDEN

(přednášková par. 1
paralelka 2)

Kladno FBMI
Počítačová učebna
místnost KL:B-435
Piorecká V.
Piorecký M.

16:00–17:50
SUDÝ TÝDEN

(přednášková par. 1
paralelka 1)

Kladno FBMI
Počítačová učebna
místnost KL:B-137
Krajča V.
Schaabová H.

16:00–17:50
LICHÝ TÝDEN

(přednášková par. 1)
Kladno FBMI
Učebna
Út
St
Čt

Předmět je součástí následujících studijních plánů:
Platnost dat k 19. 3. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet2210406.html