Inteligentne metode raziskovanja podatkov v biomedicini

Opis predmeta

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.

Metode poučevanja in učenja

predavanja,
laboratorijske vaje in projekti,
reševanje domačih nalog.

Predvideni študijski rezultati

Znanje in razumevanje:

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.

Prenosljive spretnosti:

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.

Reference nosilca

ŠKRJANC, Igor. Evolving fuzzy-model-based design of experiments with supervised hierarchical clustering. IEEE transactions on fuzzy systems, ISSN 1063-6706. [Print ed.], 2014, vol. , no. , str. 1-12.
ŠKRJANC, Igor. Fuzzy confidence interval for pH titration curve. Applied mathematical modelling, ISSN 0307-904X. [Print ed.], Aug. 2011, vol. 35, no. 8, str. 4083-4090.
HARTMANN, Benjamin, BÄNFER, Oliver, NELLES, Oliver, SODJA, Anton, TESLIĆ, Luka, ŠKRJANC, Igor. Supervised hierarchical clustering in fuzzy model identification. IEEE transactions on fuzzy systems, ISSN 1063-6706. [Print ed.], Dec. 2011, vol. 19, no. 6, str. 1163-1176.
BELIČ, Aleš, ŠKRJANC, Igor, ZUPANČIČ-BOŽIČ, Damjana, VREČER, Franc. Tableting process optimisation with the application of fuzzy models. International journal of pharmaceutics, ISSN 0378-5173. [Print ed.], Apr. 2010, vol. 389, no. 1/2, str. 86-93.
ŠKRJANC, Igor. Confidence interval of fuzzy models : an example using a waste-water treatment plant. Chemometrics and Intelligent Laboratory Systems, ISSN 0169-7439. [Print ed.], Apr. 2009, vol. 96, no. 2, str. 182-187.

Temeljni viri in literatura

I. Škrjanc: Inteligentni sistemi pri raziskovanju podatkov in odločanju, skripta, 2016.