Inteligentne metode raziskovanja podatkov v biomedicini

Visokošolski učitelji: Škrjanc Igor

Opis predmeta

Pogoji za vključitev v delo oz. za opravljanje
študijskih obveznosti:

• Zaključen dodiplomski študij na področjuelektrotehnike ali sorodnih tehniškihoziroma naravoslovno-matematičnih ved.
• Vpis v 2. letnik podiplomskega študijskegaprograma II. stopnje Elektrotehnika.
• Osnovno znanje uporabne matematike(vektorji in matrike, lastni vektorji in lastnevrednosti, linearna algebra)

Vsebina:

• Uvod v inteligentne sisteme. Prikaz inteligentnih sistemov v raziskovanju podatkov, modeliranju, razvrščanju v biomedicini, razpoznavanju, vodenju in detekciji napak.
• Osnovne metode nelinearne lokalne optimizacije, s poudarkom na metodah, ki so uporabne v inteligentnih sistemih in metode nelinearne globalne optimizacije.
• Metode nelinearne globalne optimizacije s primeri: metoda ohlajanja, evolucijskih algoritmov, genetskih algoritmov, metoda delcev, metoda drevesnega iskanja.
• Nenadzorovane metode učenja. Metoda glavnih komponent. Uporaba metode glavnih komponent pri identifikaciji, filtriranju, stiskanju podatkov in detekciji napak.
• Metode rojenja. Metode mehkega rojenja: metoda mehkih c-povprečij, metod Gustafson-Kessel, metoda možnih c-povprečij, metoda regresijskega rojenja.
• Optimizacija kompleksnosti modelov. Verifikacija in validacija modelov. Eksplicitna in implicitna optimizacija strukture modela.
• Statični modeli. Formulacija na osnovi baznih funkcij. Polinomski modeli.
• Nevronske mreže. Večplastni perceptron. Gaussove nevronske mreže in aproksimacija funkcij. Primeri nevronskih mrež v biomedicini.
• Mehki in nevro-mehki modeli. Mehka logika. Tipi mehkih sistemov. Učenje nevro-mehkih sistemov. Ocenjevanje izhodnih parametrov mehkih modelov. Globalna in lokalna estimacija.
• Ekspertni sistemi na osnovi mehkih modelov. Gradnja ekspertnih sistemov na osnovi podatkov. Primeri ekspertnih sistemov v biomedicini.
• Nelinearni dinamični sistemi. Klasični polinomski modeli v nelinearnem modeliranju. Dinamični mehki in nevronski modeli.

Cilji in kompetence:
Seznaniti študenta z osnovnimi matematičnimi in računalniškimi načeli izgradnje inteligentnih sistemov za pomoč pri odločanju v sodobnih sistemih.

Predvideni študijski rezultati:

Po zaključku tega predmeta bo študent zmožen izkazati znanje in razumevanje:

• gradnje inteligentnih sistemov, ki so osnova za raziskovanje in razumevanje biomedicinskih sistemov,
• raziskovanja biomedicinskih podatkov na osnovi metod umetne inteligence.

Uporaba znanja:

• Pridobljeno znanje bo študent lahko uporabil pri gradnji modelov za raziskovanje in nadzor biomedicinskih podatkov. Študent bo zmožen kritično ovrednotiti skladnost med pridobljenim znanjem ter uporabo v praksi.

Študent si bo pridobil spretnosti:

• uporabe literature ter drugih virov s področja inteligentnih sistemov pri raziskovanju podatkov.
• uporaba računalniških razvojnih orodij in okolij za programiranje (pisanje programov programskem okolju Matlab),
• reševanja problemov: analiza problema, načrtovanje algoritma, implementacija programa in testiranje programa,

Metode poučevanja in učenja:

• predavanja,
• laboratorijske vaje in projekti,
• reševanje domačih nalog.

Gradiva

1. I. Škrjanc: Inteligentni sistemi pri raziskovanju podatkov in odločanju, skripta v pripravi