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

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.

1. Aplikační využití AI v analýze biomedicínských signálů se zaměřením na detekci událostí, klasifikaci a predikci v klinických a výzkumných úlohách.
2. Aplikační využití AI v analýze obrazových dat z lékařského zobrazování a mikroskopie, včetně segmentace, detekce, klasifikace a metod hlubokého učení.
3. Aplikační využití AI v analýze bioinformatických a omických dat, zahrnující sekvenční analýzu, predikci biologických funkcí a integraci heterogenních dat.
4. Návrh a implementace real-time AI systémů s důrazem na nízkou latenci, edge AI, online rozhodovací podporu a průběžný monitoring.