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.