1. Introduction to applied artificial intelligence in life sciences, overview of methods, specifics of biological and clinical data.
2. Bayesian modeling, working with uncertainty and principles of probabilistic decision making, Bayesian inference.
3. Monte Carlo methods, stochastic simulations, and approximation inference.
4. Bayesian optimization and optimization of costly and black-box functions, Gaussian processes and acquisition functions.
5. Model hyperparameters and their optimization.
6. Model explainability and interpretability, post-hoc methods, and clinical requirements.
7. Bias, fairness, and ethical aspects of AI in the life sciences.
8. Robustness, generalization, distribution shift, and reliability of models in real-world deployment.
9. Validation, clinical implementation, regulation of AI systems, certification, MDR, AI Act, and FAIR data.

•  
• Úvod do aplikované umělé inteligence v živých vědách, přehled metod, specifika biologických a klinických dat.
• Bayesovské modelování, práce s nejistotou a principy pravděpodobnostního rozhodování, Bayesovská inference.
• Monte Carlo metody, stochastické simulace a aproximační inference.
• Bayesovská optimalizace a optimalizace nákladných a black-box funkcí, Gaussovské procesy a akviziční funkce.
• Hyperparametry modelů a jejich optimalizace.
• Vysvětlitelnost a interpretovatelnost modelů, post-hoc metody a klinické požadavky.
• Bias, fairness a etické aspekty AI v živých vědách.
• Robustnost, generalizace, distribuční posun a spolehlivost modelů v reálném nasazení.
• Validace, klinická implementace, regulace AI systémů, certifikace, MDR, AI Act a FAIR data.

Practical exercises are designed as project-oriented teaching focused on specific areas of application of artificial intelligence in the life sciences. Each thematic block is addressed in the form of a separate project, the solution to which is gradually developed, implemented, and evaluated over the course of several hours. Emphasis is placed on linking theoretical knowledge from lectures with real data and practical tasks, as well as expert discussions of the results achieved in the context of biological, biomedical, or clinical applications.

Application of AI in the analysis of biomedical signals with a focus on event detection, classification, and prediction in clinical and research tasks.

Application of AI in the analysis of image data from medical imaging and microscopy, including segmentation, detection, classification, and deep learning methods.

Application of AI in the analysis of bioinformatic and omic data, including sequence analysis, prediction of biological functions, and integration of heterogeneous data.

Design and implementation of real-time AI systems with an emphasis on low latency, edge AI, online decision support, and continuous monitoring.

Praktická cvičení jsou koncipována jako projektově orientovaná výuka zaměřená na konkrétní aplikační oblasti umělé inteligence v živých vědách. Každý tematický blok je řešen formou samostatného projektu, jehož řešení je během několika hodin postupně rozvíjeno, implementováno i vyhodnocováno. Důraz je kladen na propojení teoretických poznatků z přednášek s reálnými daty a praktickými úlohami, odborné diskuse dosažených výsledků v kontextu biologických, biomedicínských nebo klinických aplikací.

Aplikační využití AI v analýze biomedicínských signálů se zaměřením na detekci událostí, klasifikaci a predikci v klinických a výzkumných úlohách.

Aplikační využití AI v analýze obrazových dat z lékařského zobrazování a mikroskopie, včetně segmentace, detekce, klasifikace a metod hlubokého učení.

Aplikační využití AI v analýze bioinformatických a omických dat, zahrnující sekvenční analýzu, predikci biologických funkcí a integraci heterogenních dat.

Návrh a implementace real-time AI systémů s důrazem na nízkou latenci, edge AI, online rozhodovací podporu a průběžný monitoring.