Detail předmětu

Umělá inteligence ve sportu

CESA-SUINAk. rok: 2025/2026

Předmět je orientován na běžně používané metody z oblasti umělé inteligence: umělé neuronové sítě, shluková analýza, lineární klasifikátory, selekce příznaků, hodnocení klasifikátorů. Jsou probíraný jak teoretické (základní principy jednotlivých metod), tak praktické (aplikace při řešení úlohy klasifikace, regrese a shlukování) aspekty. Teorie je probíraná v přímé spojitosti s praktickými příklady. Veškeré výpočetní techniky jsou procvičovány s pomocí prostředí Python. Kurz připravuje posluchače k samostatnému využití daných metod pro analýzu dat ve vlastní vědecké či rutinní práci.  

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

Ing. Marina Filipenská, Ph.D.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Vstupní znalosti

Jsou požadovány znalosti na úrovni bakalářského studia.  Znalost teorie množin. V laboratorní výuce je předpokládána znalost Python 

Pravidla hodnocení a ukončení předmětu

Podmínky pro úspěšné ukončení předmětu upřesňuje každoročně aktualizovaná vyhláška garanta předmětu.

Bodové hodnocení předmětu:

1) Týmový projekt (max. 25 bodů):
• zpracování originálního řešení týmového projektu a jeho obhajoba na konci semestru (podle pokynů)
- hodnoceno bude splnění zadání a kvalita prezentace výsledků všemi členy týmu
- plagiátorství bude mít za následek neudělení zápočtu

2) Závěrečná zkouška (max. 75 bodů):
• kombinovaná forma (písemná i ústní)
• celkem tři části, každá za max. 25 bodů

Podmínky pro udělení zápočtu a připuštění k závěrečné zkoušce:
• získání nenulového počtu bodů za týmový projekt
• maximálně dvě omluvené neúčastí na cvičeních

Podmínky pro úspěšné absolvování předmětu:
• získání zápočtu
• získání nejméně 36 bodů ze zkoušky
• získání celkem (tj. z týmového projektu a zkoušky) alespoň 50 bodů

 

Učební cíle

Cílem předmětu je poskytnout studentům znalosti z oblasti umělé inteligence a prezentovat jim možnosti využiti moderních nástrojů umělé inteligence při akvizici, zpracování a analýze dat pro sportovní prostředí.
Posluchač získá základní znalosti a dovednosti z oblasti využití metod umělé inteligence. Bude schopen aplikovat nejčastěji používané metody v praxi za účelem zpracování a analýzy dat.
Písemnou zkouškou se ověřuje, že absolvent předmětu je schopen:
- vysvětlit základní pojmy z oblasti umělé inteligence,
- popsat základní metody v této oblasti, diskutovat výhody a nevýhody jednotlivých metod,
- vybrat a použít vhodné nástroje pro daný problém z této oblasti,
- vyhodnotit kvalitu dosažených výsledků a prezentovat je ve vhodné formě,
- interpretovat dosažené výsledky.

Základní literatura

KOZUMPLÍK, J., PROVAZNÍK, I.: Umělá inteligence v medicíně. Elektronická skripta. ÚBMI FEKT VUT v Brně, Brno, 2007. (CS)

Doporučená literatura

ŠNOREK, M.: Neuronové sítě a neuropočítače. Skripta ČVUT, Praha, 2002 (CS)

Elearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program BPC-STC bakalářský 3 ročník, zimní semestr, povinný

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Ing. Marina Filipenská, Ph.D.

Osnova

1. Úvod do umělé inteligence. Oblasti aplikace: klasifikace (do dvou a více tříd), regrese a shlukování. Přehled algoritmů strojového učení.
2. Příprava naměřených dat: příznakový popis, normalizace/standardizace, trénovací/testovací/validační množiny.
3. Selekce příznaků. Extrakce příznaků (metoda hlavních komponent, PCA).
3. Shluková analýza. Hierarchické metody shlukové analýzy.
4. Nehierarchické metody shlukové analýzy: algoritmus k-means. Interpretace a validace výstupu shlukování: analýza siluety.
5. Umělé neuronové sítě. Neuron jako klasifikátor (perceptron), charakteristiky perceptronu.
6. Učení perceptronu: delta-pravidlo. Limitace perceptronu: lineární vs. nelineární úloha.
7. Vícevrstvá dopředná síť. Algoritmus zpětného šíření chyby. Optimalizace parametrů sítě.
8. Hodnocení kvality klasifikace a regrese. Cross-validace modelů strojového učení.
9. Lineární klasifikátory: SVM, logistická regrese.
10. Pravděpodonostní modely. Metody “Maximum likelihood” a “Maximum a-posteriori probability”.​
11. Bayesovský přístup ke klasifikaci. Klasikátor typu Naive Bayes​.
12. Příklady použití metod strojového učení pro řešení reálných úloh.  

 

Cvičení s počítačovou podporou

26 hod., povinná

Vyučující / Lektor

MUDr.Ing. Richard Ředina

Osnova

1. Základy vektorizace a maticových operací
2. Hierarchické shlukování dat
3. Nehierarchické shlukování dat
4. Redukce počtu příznaků a analýza hlavních komponent
5. Návrh perceptronu (bez učení)
6. Nárvh neuronové sítě (bez učení)
7. Delta pravidlo
8. Učení dopředné sítě I
9. Učení dopředné sítě II
10. Validace modelu a hodnocení výsledků klasifikace
11. Lineární klasifikátory: SVM, logistická regrese.

Elearning

eLearning: aktuální otevřený kurz