studijní program

Information Technology

Fakulta: FITZkratka: DIT-ENAk. rok: 2024/2025

Typ studijního programu: doktorský

Kód studijního programu: P0613D140029

Udělovaný titul: Ph.D.

Jazyk výuky: angličtina

Akreditace: 8.12.2020 - 8.12.2030

Profil programu

Akademicky zaměřený

Forma studia

Kombinované studium

Standardní doba studia

4 roky

Garant programu

Oborová rada

Oblasti vzdělávání

Oblast Téma Podíl [%]
Informatika Bez tematického okruhu 100

Cíle studia

Cílem studijního programu je poskytnout vynikajícím absolventům magisterského studia specializované univerzitní vzdělání nejvyššího typu v informatice a výpočetní technice, zvláště pak v oblastech, ve kterých se profilují výzkumné skupiny FIT, a ve vztahu k výzkumným projektům řešeným na FIT:

  • akcelerované síťové technologie,
  • automatizovaná analýza, verifikace a syntéza,
  • efektivní techniky práce s automaty a logikami a jejich aplikace,
  • bezpečnost,
  • dolování dat z řečí,
  • evolvable hardware,
  • formální modely,
  • hardware-software codesign,
  • informační a databázové systémy,
  • inteligentní systémy,
  • management v softwarovém inženýrství,
  • modelování a optimalizace systémů,
  • nekonvenční číslicové obvody,
  • počítačová grafika,
  • počítačové sítě a vestavěné systémy,
  • robotika,
  • superpočítačové technologie,
  • systémy odolné proti poruchám, diagnostika a testování,
  • vysoce náročné výpočty,
  • znalostní technologie a
  • zpracování obrazu a videa.
Vzdělání získané v tomto studijním programu zahrnuje průpravu a atestaci k vědecké práci.

Profil absolventa

Absolventi doktorského studijního programu Information Technology jsou schopni samostatně provádět vědecko-výzkumnou činnost a tvůrčím způsobem řešit složité teoretické, návrhové, verifikační, testovací, implementační a inovační problémy v oblasti informatiky. Jsou vybaveni pokročilými znalostmi jak z teoretické informatiky, tak i z oblasti algoritmizace, tvorby software i hardware a zkušenostmi s jejich uplatněním v různých aplikacích. Hlavní důraz a cíl studia je směřován na vědeckou a tvůrčí činnost a představení výstupů této činnosti vědecké komunitě na mezinárodní úrovni, zejména ve formě publikačních výstupů. Další nedílnou součástí je získání zkušeností s prací v týmu a pravidelná prezentace dosažených výsledků, nejdříve pro kolegy na FIT a později na mezinárodních vědeckých konferencích. Absolventi doktorského studijního programu mají tedy nejen teoretické a specializované znalosti dle svého odborného zaměření, ale zároveň i zkušenosti s publikační činností a uplatněním a prezentací výsledků na mezinárodní úrovni. 

Charakteristika profesí

Absolventi FIT obecně a absolventi doktorského studia zejména nemají problém najít uplatnění jako vědečtí, pedagogičtí či řídicí pracovníci jak v ČR tak v zahraničí.

  • Absolvent doktorského studia je schopen samostatné vědecké, výzkumné a řídicí práce v oblasti informatiky, výpočetní techniky a informačních technologií. Je připraven řešit náročné koncepční, výzkumné a vývojové problémy. V praxi je schopen samostatně vést výzkum, vývoj a výrobu v oblasti moderních informačních technologií.
  • Nachází uplatnění jako tvůrčí pracovník na špičkových vědeckovýzkumných pracovištích, jako vedoucí výzkumných a vývojových týmů a též ve vědecké a pedagogické práci na vysokých školách. Absolventi tohoto programu se mohou také uplatnit při obsazování vyšších funkčních pozic v některých větších institucích a firmách, kde je vyžadována schopnost samostatně tvořivě pracovat, analyzovat složité problémy a navrhovat a realizovat nová, originální řešení.
  • Část absolventů typicky pokračuje jako tzv. "postdoc" v akademické kariéře v ČR nebo v zahraničí.

Podmínky splnění

Jsou vymezeny individuálním studijním plánem studenta, jenž specifikuje studijní předměty, které je student povinen úspěšně absolvovat, předpokládané stáže a účasti na odborných konferencích a minimální pedagogické působení v bakalářském nebo magisterském studijním programu fakulty. Úspěšné ukončení studia je podmíněno:

  • Složením státní doktorské zkoušky, při níž prokazuje student hluboké znalosti metodologických přístupů, teorií a jejích aplikací v souladu se současným stavem poznání v těch vědních disciplinách, které jsou vymezeny předměty individuálního studijního plánu studenta a tématem jeho disertační práce. Obsahem státní doktorské zkoušky je rovněž hodnocení předpokládaných cílů disertační práce, metod řešení a doposud dosažených vlastních výsledků.
  • Absolvováním části studia na zahraniční instituci v délce nejméně jednoho měsíce nebo účast na mezinárodním tvůrčím projektu s výsledky publikovanými nebo prezentovanými v zahraničí nebo jiná forma přímé účasti studenta na mezinárodní spolupráci.
  • Doložením splnění požadavků na tvůrčí činnost.
  • Obhajobou doktorské disertační práce, která je napsána v angličtině.

Student je povinen úspěšně absolvovat zkoušku z anglického jazyka a alespoň 2 předměty ze seznamu nabízených předmětů. Alespoň jeden z nich musí být z kategorie "teoretických" předmětů, kterou tvoří následující předměty: Vybraná témata z analýzy a překladu jazyků, Statistika, stochastické procesy, operační výzkum, Moderní matematické metody v informatice, Optika, Regulované gramatiky a automaty, Moderní teoretická informatika, Matematická logika, Teorie a aplikace Petriho sítí, Teorie kategorií v informatice, Vysoce náročné výpočty. 

Vytváření studijních plánů

Jsou stanovena směrnicí děkana Pravidla o organizaci studia na FIT pro sestavovaní individuálního plánu studenta.  Individuální studijní plán vychází z tématu disertační práce a podléhá schválení oborovou radou.
Předepisuje:

  • obsahové zaměření samostatné vědecké, výzkumné, vývojové činnosti a vlastní vzdělávací činnosti s ohledem na oborovou specializaci a téma disertační práce,
  • studijní předměty, které je student doktorského studia povinen absolvovat, konkrétně celkový počet předmětů a jejich časové zařazení do semestrů,
  • přehled tvůrčí činnosti, zejména stáže a pobyty na jiných pracovištích, účast na konferencích, seminářích, letních školách atp.,
  • publikační plán,
  • pedagogické působení v souladu se směrnicí fakulty Pravidla o organizaci studia na FIT  a
  • časové rozvržení studia v kontextu všech výše uvedených bodů.

https://www.fit.vut.cz/fit/info/smernice/sm2018-13.pdf

Dostupnost pro zdravotně postižené

Vysoké učení technické v Brně umožňuje studium osobám se zdravotním postižením dle § 21, odst. 1 písm. e) zákona 111/1998 Sb. vysokých školách a o změně a doplnění dalších zákonů ve znění pozdějších předpisů a dle požadavků v této oblasti vyplývajících z nařízení vlády č. 274/2016 Sb., o standardech pro akreditace ve vysokém školství, poskytuje uchazečům o studium a studentům se specifickými potřebami služby v rozsahu a formou odpovídající specifikaci uvedené v Příloze č. 3 k Pravidlům pro poskytování příspěvku a dotací veřejným vysokým školám Ministerstvem školství, mládeže a tělovýchovy, specifikující financování zvýšených nákladů na studium studentů se specifickými potřebami.

Služby pro studenty se specifickými potřebami jsou na VUT v Brně realizovány prostřednictvím aktivit specializovaného pracoviště - poradenského centra Alfons, které je součástí Institutu celoživotního vzdělávání VUT v Brně - sekce Poradenství pro studenty.

Aktivity poradenského centra a pravidla zpřístupňování studia univerzita garantuje platnou Směrnicí rektora č. 11/2017 upravující postavení uchazečů o studium a studentů se specifickými potřebami na VUT v Brně. Tato vnitřní norma garantuje minimální standardy poskytovaných služeb.
Služby poradenského centra jsou nabízeny uchazečům o studium a studentům se všemi typy zdravotního znevýhodnění uvedených ve zmíněném Metodickém standardu Ministerstva školství, mládeže a tělovýchovy.

Návaznost na další typy studijních programů

Studijní program navazuje jak na dobíhající navazující magisterský program Informační technologie, tak na nový navazující magisterský program Informační technologie a umělá inteligence.
Studenti mohou dále, podle svých potřeb a mimo své formalizované studium, také absolvovat kurzy a školení týkající se metodologie vědecké práce, publikačních a citačních dovedností, etiky, pedagogiky a tzv. měkkých dovedností, které organizuje VUT či jiné instituce.

Vypsaná témata doktorského studijního programu

  1. Adresovanie obmedzení veľkých jazykových modelov

    Veľké jazykové modely (LLM) predstavujú silný nástroj, ktorý dokáže podporovať širokú škálu downstream úloh. Dajú sa použiť napr. v pokročilých konverzačných rozhraniach alebo v rôznych úlohách zahŕňajúcich vyhľadávanie, klasifikáciu, generovanie a ďalšie. K takýmto úlohám možno pristupovať prostredníctvom in-context učenia v zero-shot alebo few-shot režime alebo prostredníctvom dolaďovania (angl. fine-tuning) LLM na väčších dátových množinách (kvôli zníženiu požiadaviek na pamäť a diskový priestor zvyčajne pomocou techník PEFT (z angl. parameter-efficient fine-tuning)). Napriek ich bezprecedentným výsledkom na mnohých úlohách trpia LLM niekoľkými významnými obmedzeniami, ktoré v súčasnosti v mnohých doménach bránia ich bezpečnému a širokému použitiu. Tieto obmedzenia zahŕňajú napr. tendenciu generovať odpovede, ktoré nemajú oporu v tréningovom korpuse alebo vstupnom kontexte (halucinácie), ťažkosti pri manipulácii s extrémne dlhými kontextami (napr. celé knihy) či obmedzenou schopnosťou využívať iné dátové modality, ako je obraz, kde majú state-of-the-art modely napr. problém rozpoznávať jemné vizuálne koncepty. Cieľom výskumu je preskúmať takéto obmedzenia a – po zameraní sa na jedno alebo dve z nich – navrhnúť nové stratégie na ich zmiernenie. Také stratégie môžu zahŕňať napr.: • Posun režimu generovania bližšie k prístupom využívajúcim vyhľadávanie (angl. retrieval-based) a k neparametrickým jazykovým modelom; • Rozšírenie modelov o samoopravné mechanizmy či samohodnotiace pipeline-y; • Efektívna podpora pre dlhé kontexty; • Úplnejšie využitie multimodality, najmä v kontexte kombinácie obrazových a jazykových dát; vysetliteľnostná analýza modelov a návrh nových mechanizmov tréningu podporujúcich schopnosť rozpoznávať aj jemné vizuálne koncepty; • Nové techniky dolaďovania (angl. fine-tuning); • Zlepšenie a širšie využitie schopností LLM robiť logické odvodzovanie. Aplikačnou doménou môže byť napr. Podpora overovania faktov a boja proti dezinformáciám, kde je faktualita výstupov LLM absolútne kritická. Súvisiace publikácie: • Srba, I., Pecher, B., Tomlein, M., Moro, R., Stefancova, E., Simko, J. and Bielikova, M., 2022, July. Monant medical misinformation dataset: Mapping articles to fact-checked claims. In Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 2949-2959). https://dl.acm.org/doi/10.1145/3477495.3531726 • Pikuliak, M., Srba, I., Moro, R., Hromadka, T., Smolen, T., Melisek, M., Vykopal, I., Simko, J., Podrouzek, J. and Bielikova, M., 2023. Multilingual Previously Fact-Checked Claim Retrieval. https://arxiv.org/abs/2305.07991 Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín v rámci medzinárodných výskumných grantov. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer v KInIT.

    Školitel: Gregor Michal, doc. Ing., Ph.D.

1. kolo (podání přihlášek od 26.02.2024 do 31.05.2024)

  1. Analýza chování osob a detekce podezřelého chování v reálném čase

    Nasazování umělé inteligence v rámci bezpečnostních aplikací se stává moderním fenoménem. Veřejné kamerové systémy poskytují dostatek kvalitních dat pro analýzu a poskytování informací v reálném čase s cílem zvyšovat úroveň bezpečnosti. Cílem této práce je vytvořit řešení, které bude schopné rozlišovat jednotlivé osoby a analyzovat jejich chování v reálném čase. V případě nestandardního chování bude uživatel upozorněn.

     

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Dále předpokládáme spolupráci se zástupci policie; nicméně pro plnění výzkumu to není nezbytná podmínka.

     

    Na vedení práce se bude podílet školitel specialista Dr. Filip Orság.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  2. Analýza útoků na bezdrátové sítě

    Tematicky se tato disertační práce orientuje na bezpečnost bezdrátových lokálních sítí. V rámci řešení by mělo dojít k seznámení se s vybranými bezdrátovými sítěmi a jejich zabezpečením. Kroky práce by měly obsahovat: prostudování teorie bezdrátových sítí, jejich vlastností a možností provedení útoků, odzkoušení základních typů útoků, navržení nového způsobu ochrany, experimenty, zhodnocení výsledků a návrh směru dalšího výzkumu.

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Na vedení práce se bude podílet školitel-specialista dr. Kamil Malinka.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  3. Bezpečnostní dopady umělé inteligence v kybernetické bezpečnosti

    V posledních letech došlo obrovskému zvýšení kvality výstupů neuronových sítí generující syntetický obsah, které šlo ruku v ruce s výrazným zjednodušením použití nástrojů využívajících AI a také jejich vyšší dostupností. Rostoucí trend v používání umělé inteligence tak přináší nové výzvy oblasti kybernetické bezpečnosti. Nejvýznamnějšími příklady je použití tzv. "deepfakes" k útoku na biometrické systémy nebo využití technik hlubokého učení k detekci kybernetických útoků. Cílem této práce je ve vybrané oblasti kybernetické bezpečnosti analyzovat nové trendy, přístupy, reálné útoky, jejich vlastnosti, dopady a potenciální aplikace. Práce by poté měla na základě analýzy a výzkumu stavu bezpečnosti pro vybrané oblasti navrhnout nové metody ochrany založené na AI.

    Doporučené oblasti zaměření práce:
    Vliv generativní AI na bezpečnost kódu a aplikační bezpečnost
    Lidský faktor v útocích založené na AI - např. zvyšování schopnosti lidí rozpoznávat tento typ útoků
    Dopady generativní AI na bezpečnost biometrické autentizace (hlas, obličej, ...)


    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Na vedení práce se bude podílet školitel-specialista dr. Kamil Malinka.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  4. Detekce Alzheimerovy choroby (AD) před nástupem vyšetřování dynamiky mozku

    Výzkumný problém: Mezi všemi typy demence je Alzheimerova choroba (AD) nejběžnější formou, přičemž 70 % lidí postižených demencí má AD. Vzhledem k tomu, že prevalence AD se zvyšuje s věkem, očekává se, že počet lidí žijících s AD v příštích desetiletích poroste v důsledku lepší kvality života, která má za následek zvýšení věku v mnoha zemích. To vše vedlo ke zvýšenému zaměření na zajištění pre-start detekce AD a odpovídající intervenci, což může vést ke zpomalení progrese onemocnění poskytnutím adekvátní diagnostiky.

    Problémy se současnými řešeními: K preklinické AD dochází 10 až 15 let před vypuknutím nemoci, což má za následek změny v mozku, aniž by se projevily nějaké skutečné příznaky nemoci, jako je ztráta paměti atd. Pre-onset znamená detekci AD v preklinickém stádiu nebo před ním. Stávající nejmodernější metody se zaměřují především na detekci pozdějších stádií AD a detekce preklinické AD je stále otevřeným výzkumným problémem. Tento výzkum se proto zaměřuje na detekci AD před propuknutím (tj. včasnou detekci preklinické AD), protože to bude mít obrovský dopad na životy lidí. To může vést k včasnému zásahu a může vést k dalšímu zpomalení progrese onemocnění.

    Výzvy: Ve fázi preklinické AD nejsou související příznaky a symptomy jasné, a proto lidé v této fázi nevyhledávají žádnou pomoc. Proto by metoda pro detekci AD před nástupem měla být součástí pravidelného procesu zdravotního screeningu, a proto by měla být dostupná v malých klinických zařízeních.

    Téma práce: Způsob detekce preklinické AD bude zahrnovat zkoumání základních mozkových mechanismů pro sledování a sledování změn souvisejících s pre-propuknutím detekce AD. Zobrazování magnetickou rezonancí (MRI) bude použito jako reference pro zkoumání dynamiky mozku, ale v praxi jej nelze použít kvůli jeho vysoké ceně a specializovanému prostředí, které omezuje jeho použití ve fázi screeningu. V tomto výzkumu bude použit elektroencefalogram (EEG), který je široce dostupný, má nízkou cenu, má dobré časové rozlišení a má vysokou mobilitu. Proto si tento projekt klade za cíl prozkoumat změny v základních mozkových mechanismech pomocí EEG k vývoji neuromarkeru založeného na EEG pro detekci AD před propuknutím. Neuromarker bude zahrnovat extrakci funkcí a odpovídající vývoj modelu strojového učení.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody analýzy EEG signálů. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, doc., Ph.D.

  5. Embedded systémy pro zpracování videa/signálu

    Téma je zaměřeno na algoritmy embedded zpracování obrazu, videa a/nebo signálu. Hlavním cílem je zkoumat možnosti "chytrých" a "malých" zařízení, která by měla nové vlastnosti, a  bylo možné je efektivně nasadit do aplikací vyžadujících malé, skryté, distribuované, nízkopříkonové, mechanicky nebo klimaticky namáhané jednotky schopné zpracovávat signálové vstupy. Nasazení takových jednotek je perspektivní a široké a předpokládá se i propojení do klient/server a/nebo cloud systémů. Samotné jednotky mohou být založeny na efektivním CPU/GPU/DSP, na programovatelném hardware, případně na kombinaci těchto technologií. Může se jednat i o smart kamery. Aplikace, které jsou v oblasti zájmu tohoto tématu:

    • klasifikace obrazu nebo objektů s využitím strojového učení (AI) klasicky nebo prostřednictvím hlubokých konvolučních neuronových sítí nebo podobných přístupů (například pro kontrolu kvality výrobků apod.),
    • současná analýza jednorozměrného signálu (signálů) a obrazu (například pro robustní zjištění nějakého objektu například v dopravních nebo průmyslových aplikacích),
    • moderní algoritmy zpracování videa, obrazu a/nebo signálu  s využitím "klient/server", případně "cloudu" (se zaměřením na aspekty client/server a/nebo cloud) vhodné například pro mobilní techniku a/nebo embedded systémy,
    • po dohodě je možné zpracovávat i individuálně vybrané téma, které ve výše uvedeném seznamu není, ale v principu sem patří.

    Je možnost spolupráce i na grantových projektech, zejména na nově podávaných projektech TAČR, H2020, ECSEL (potenciálně možnost stipendia či pracovního poměru).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

  6. Evoluční optimalizace logických obvodů

    Ukazuje se, že metody syntézy číslicových obvodů využívající evolučních algoritmů, zejména kartézského genetického programování pracujícího přímo nad reprezentací na úrovni hradel, jsou schopny produkovat implementace, které jsou v řadě případů mnohem efektivnější (typicky kompaktnější) nežli implementace získané pomocí současných syntézních technik využívajících interní reprezentace (např. AIG) a iterativní aplikace deterministických přepisovacích pravidel. Typickým cílem optimalizace je redukovat počet hradel optimalizovaného obvodu. V praxi se však vyskytuje požadavek optimalizovat obvod z hlediska více kriterií (např. zpoždění, plocha na čipu). V případě využití systému pro účely resyntézy je multikriteriální optimalizace nutností z důvodu zachování zpoždění obvodu, jehož část je předmětem optimalizace. 

    Cílem disertační práce je navázat na předchozí výzkum a zabývat se možnostmi multikriteriální optimalizace číslicových obvodů s ohledem na dobrou škálovatelnost. Dále se předpokládá využití alternativních reprezentací jako je např. majority uzel, které lépe odrážejí principy nových technologií.

    Výzkum spadá do témat řešených výzkumnou skupinou Evolvable Hardware.

    Školitel: Vašíček Zdeněk, doc. Ing., Ph.D.

  7. Extrakce informací z WWW

    Problematika identifikace a extrakce konkrétních informací z dokumentů na WWW je již delší dobu předmětem intenzivního výzkumu. Mezi základní překážky, které je třeba překonat, patří nedostatečná strukturovanost HTML dokumentů a absence metainformací (anotací) využitelných pro rozpoznání významu jednotlivých částí obsahu. Tyto chybějící informace jsou proto nahrazovány analýzou různých aspektů webových dokumentů, zejména následujících:

    • HTML kód dokumentu (DOM)
    • Text dokumentu (hledání klíčových slov, statistická analýza textu, metody zpracování přirozeného jazyka)
    • Vizuální organizaci (rozložení obsahu na stránce, vizuální vlastnosti)

    Pro úspěšnou extrakci konkrétní informace z dokumentů je rovněž nezbytná doménová znalost zahrnující očekávanou strukturu extrahované informace (vztahy mezi jednotlivými extrahovanými položkami) a způsob zápisu jednotlivých položek. Tato znalost umožňuje přesnější rozpoznání jednotlivých částí informace v textu dokumentu.

    Současné přístupy k extrakci informací z webových dokumentů se soustřeďují zejména na modelování a analýzu dokumentů samotných; modelování extrahované informace za účelem jejího přesnějšího rozpoznání nebylo dosud podrobněji zkoumáno v tomto kontextu. Předpokládaným cílem disertační práce jsou proto následující:

    • Studium existujících doménových modelů jako např. UML diagramy tříd, E-R diagramy nebo ontologie.
    • Rozšíření těchto modelů o konkrétní metody rozpoznání konkrétních údajů v dokumentech (např. regulární výrazy, pokročilá klasifikace textu).
    • Návrh metod extrakce informací založených na srovnání struktury informace prezentované v dokumentu a očekávané struktury cílových informací.

    Nedílnou součástí je rovněž experimentální implementace navržených metod s využitím existujících nástrojů a experimentální ověření na reálných dokumentech dostupných na WWW.

    Školitel: Burget Radek, doc. Ing., Ph.D.

  8. Generativní AI a metody zpracování obrazu pomocí neuronových sítí

    Tématem disertační práce jsou zejména pokročilé metody zpracování a editace obrazu a generativní metody umělé inteligence pro syntézu obrazu. Cílem práce je výzkum nových metod s využitím strojového učení, zejména hlubokých neuronových sítí.

    • Kontakt: http://cadik.posvete.cz/
    • Možnost spolupráce a stáže se špičkovými laboratořemi (Adobe Research, USA, MPII Saarbrücken, Německo, Disney Research Curych, Švýcarsko, INRIA Bordeaux, Francie)

     

    Školitel: Čadík Martin, doc. Ing., Ph.D.

  9. Hodnocení psychického stresu, úzkosti a deprese z analýzy mozkových signálů

    Prohlášení o problému: Duševní stres, úzkost a deprese jsou stavy duševního zdraví, které se často vyskytují společně. V takovém případě je člověk ve stresu a není schopen obavy ovládat, a to odpovídajícím způsobem ovlivňuje jeho sociální a pracovní aktivity. Proto je nutné řádné posouzení a diagnostika duševního stresu, úzkosti a deprese, aby se člověk mohl efektivně podílet na svých běžných denních úkolech a činnostech.

    Problémy se současnými řešeními: Bohužel konvenční hodnotící a diagnostická opatření jsou subjektivní povahy a používají se pouze tehdy, jsou-li symptomy již zjevné v důsledku pokročilého stádia duševního stresu, úzkosti a deprese. Psychický stres, úzkost a deprese však nevznikají přes noc, spíše jde o dlouhodobý proces. Detekce příznaků je tedy vyžadována v raných fázích duševního stresu, úzkosti a deprese, protože to může vést k vyléčení nebo alespoň oddálit nástup vážných duševních problémů s nimi spojených.

    Výzvy: Na rozdíl od jiných nemocí, kde příznaky jako horečka a kašel umožňují lidem vyhledat pomoc, příznaky v raných fázích duševního stresu a úzkosti nejsou snadno identifikovatelné. Proto je třeba, aby byl mozek neustále sledován, zda se u něj neobjevují žádné známky změny nebo zhoršení, aby se příznaky odhalily v raném stádiu.

    Řešení: Řešení spočívá ve vývoji objektivní a kvantitativní metody, která dokáže odhalit duševní stres, úzkost a depresi v raném stadiu. Vnímání duševního stresu, úzkosti a deprese má původ v mozku; proto tento výzkum zkoumá neurofyziologické rysy extrahované ze signálu mozkového elektroencefalogramu (EEG) k měření duševního stresu, úzkosti a deprese v raném stádiu. To bude vyžadovat vývoj metody pro extrakci prvků a také přístup k rozpoznávání vzorů, aby bylo možné poskytnout řešení. Pro tento projekt je již k dispozici datový soubor EEG.

    Pár slov o supervizi: Mám rozsáhlé zkušenosti s prací v oblasti zpracování neuro-signálů a neuroobrazu a v současné době jsem vedoucím výzkumné skupiny v této oblasti. Jedná se o multidisciplinární projekt a bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT z hlediska vývoje nové metody. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, doc., Ph.D.

  10. Jazykové modely moderního výpočtu: definice, transformace, aplikace

    Řešení tohoto projektu bude vycházet ze stávajících poznatků o moderních formálních modelech, které se používají v teorii jazyků. Teoretický výzkum těchto modelů bude diskutovat užitečné transformace těchto modelů, jako např. eliminace vymazávajících pravidel či redukce velikosti jejich komponent. Výzkum aplikací takto transformovaných modelů se bude soustředit na oblasti informatiky související s překladači, matematickou lingvistikou a molekulární biologií.

    Výsledky prvního roku řešení tohoto problému budou publikovány v Acta Informatica v 2024.

    Školitel: Meduna Alexandr, prof. RNDr., CSc.

  11. Konverzační agenti, propojující strukturovanou znalost a učení z textu

    Konverzační agenti se pomalu stávají běžnou součástí rozhraní pro (prvotní) komunikaci se zákazníkem a odpovídání na jeho otázky. Výzkum v oblasti počítačového zpracování přirozeného jazyka se zaměřuje na vytvoření automatické klasifikace prvotní komunikace a, zejména, otázky uživatele, do předem daných tříd, k nimž existují konkrétní texty. Není však uspokojivě vyřešeno rozšiřování "znalostí" komunikačních agentů při aktualizaci strukturovaných dat, případně při přidání dalších textových materiálů.

    Cílem disertační práce je rozvinout existující přístupy využívající obrovské kolekce neanotovaných textových dat a způsoby kombinování strukturované a nestrukturované znalosti a optimalizace procesů při rozšiřování funkcionality stávajících i nových konverzačních agentů. Součástí práce bude i aplikace zkoumaných metod v rámci evropských projektů, na jejichž řešení se školitel podílí.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

  12. Kyberbezpečnostní aspekty internetu věcí

    Tématicky se tato disertační práce orientuje na bezpečnost IoT systémů. Práce by měla obsahovat:

    • Prostudování teorie IoT systémů, jejich vlastností a možností provedení útoků.
    • Odzkoušení základních typů útoků.
    • Navržení nového způsobu ochrany.
    • Experimenty, zhodnocení výsledků a návrh směru dalšího výzkumu.

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Na vedení práce se bude podílet školitel-specialista dr. Kamil Malinka.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  13. Meranie kvality výstupov veľkých jazykových modelov

    S nástupom veľkých jazykových modelov (LLM) vyvstávajú výskumné otázky ako merať kvalitu a vlastnosti ich výstupov. Tieto merania sú dôležité pre porovnávanie a vylepšovanie modelov či ladenie ich vstupov (prompts). Niektoré techniky vyhodnocovania sa vzťahujú k špecifickým doménam a scenárom použitia (napr. ako presne model odpovedá na faktické otázky v konkrétnej doméne? ako dobre sa dajú generované príklady použiť na trénovanie malého modelu na konkrétnu úlohu?). Iné techniky sú všeobecnejšie (napr. aká je rozmanitosť parafráz generovaných LLM? ako jednoduché je detegovať, že je obsah generovaný?).

    Prostredníctvom replikačných štúdií, porovnávacích experimentov, návrhov metrík, konštrukcie vstupov a iných prístupov, doktorand/ka posunie poznanie v metódach a experimentálnych metodológiách vyhodnocovania výstupov veľkých jazykových modelov. Za pozornosť pritom stoja dva všeobecné scenáre:

    1. Generovanie a/alebo augmentácia datasetov, kedy sa LLM podnecujú relatívne malými vzorkami príkladov, aby vytvorili oveľa rozsiahlejšie súbory. Tento prístup je užitočný najmä v doménach a úlohách s malým množstvom dostupných originálnych (označkovaných) trénovacích dát (napr. doména detekcie dezinformácií).
    2. Detekcia generovaného obsahu, kde sa využívajú stylometrické, štatistické, hlboko-učené či hybridné metódy na určovanie, či bol príklad obsahu generovaný alebo modifikovaný strojovo. Schopnosť detekcie generovaného obsahu je kľúčová pre mnoho scenárov z reálneho sveta (napr. detekcia dezinformácií alebo podvodov), ale prispieva aj do výskumných postupov (napr. pri zisťovaní prítomnosti generovaného obsahu v publikovaných datasetoch či vo vzorkách pochádzajúcich z crowdsourcingu).

    Doktorand/ka si vyberie jeden z uvedených scenárov (no nebude ním obmedzený/á) a ďalej ho rozpracuje a primerane zúži na špecifické výskumné otázky, ktoré experimentálne overí.

    Súvisiace publikácie:

    • Cegin, J., Simko, J. and Brusilovsky, P., 2023. ChatGPT to Replace Crowdsourcing of Paraphrases for Intent Classification: Higher Diversity and Comparable Model Robustness. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/pdf/2305.12947.pdf
    • Macko, D., Moro, R., Uchendu, A., Lucas, J.S., Yamashita, M., Pikuliak, M., Srba, I., Le, T., Lee, D., Simko, J. and Bielikova, M., 2023. MULTITuDE: Large-Scale Multilingual Machine-Generated Text Detection Benchmark. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/pdf/2310.13606.pdf

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Šimko Jakub, doc. Ing., PhD.

  14. Modely strojového učení, které uvažují

    V poslední době se stává čím dál patrnější, že k překlenutí propasti mezi současnými nejlepšími modely strojového učení a lidským učením nestačí jen zvyšovat počty parametrů a čekat na výkonnější hardware, který zvládne zpracování bilionů parametrů. Zdá se, že je třeba hledat nové modely, schopné objevovat a uvažovat na úrovni vysokoúrovňových pojmů a vztahů mezi nimi.



    Cílem disertační práce je výzkum nových modelů strojového učení, které překonají potřebu enormního množství příkladů, které jsou potřeba pro naučení chování, zvládnutelného lidmi velmi rychle (například počítač potřebuje sehrát velké množství her ke zvládnutí jednoduché videohry, zatímco člověk to zvládne velmi rychle, lidé ze sady proměnných rychle určí, jaká je příčinná souvislost mezi nimi, dokáží argumentovat sledem úvah atd.), a omezí problém sebejistého chybování (overconfident incorrectness) současných modelů. Budou zkoumány postupy učení, přidávající iterativně nové relevantní informace a také metody, podporující přímé pravděpodobnostní odvozování. Výsledky budou demonstrovány na vybraných problémech, zahrnujících mj. vysvětlování videa či tvorbu inferenčních grafů, operujících nad pojmy a vztahy mezi nimi.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

  15. Moderní algoritmy počítačové grafiky

    Tématem jsou algoritmy počítačové grafiky a syntézy obrazu. Hlavním cílem je zkoumat nové a moderní algoritmy počítačové grafiky, související datové struktury, související otázky získávání a zpracování 3D modelů a další aspekty algoritmů tak, aby bylo lépe rozumět jejich vlastnostem a možnostem, zlepšovat a připravovat nové. Je možno pracovat na různých platformách, včetně paralelních CPU jáder x86/64, ARM, Xeon PHI, GPU apod. v OpenCL, CUDA, v FPGA ve VHDL, případně i jinak. Možné algoritmy zahrnují:

    • zobrazování pomocí vybraných grafických metod (ray tracing, photon mapping, přímé zobrazování "point cloud" apod.),
    • modelování scény a zobrazování s využitím metod umělé inteligence včetně syntézy obrazu s využitím neuronových sítí (zejména CNN),
    • zpracování a zobrazování "lightfield" obrazů, jejich pořizování, případně komprese, rekonstrukce 3D scény z obrazů a/nebo videa, případně fúzí s jinými senzory, jako je například LIDAR nebo i RADAR,
    • moderní algoritmy geometrie vhodné pro aplikaci v oblasti počítačové grafiky, případně i 3D tisku, 
    • nastupující algoritmy syntézy 3D obrazu, holografie, aplikace algoritmů vlnkové, frekvenční a/nebo obdobné transformace.

    Po dohodě je možné zpracovávat i individuálně vybrané algoritmy, které ve výše uvedeném seznamu nejsou, ale patří do dané tématiky.

    Je možnost spolupráce i na grantových projektech, zejména na nově podávaných projektech TAČR, H2020, ECSEL (možnost stipendia či pracovního poměru).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

  16. Moderní přístup k překladu jazyků: teorie, metody a aplikace

    Řešení tohoto projektu bude vycházet ze stávajících poznatků o metodách překladu jazyků a poznatků o systémech formálních modelů, zejména překladových gramatik a automatů. Cílem je konstrukce a výzkum metod překladů založených na takovýchto systémech a to tak, aby nové metody adekvátním způsobem odrážejí potřeby moderních kompilátorů. Aplikace těchto systémů se budou soustředit na překladače.

    Výsledky prvního roku řešení tohoto problému budou publikovány v Acta Informatica v 2024.

    Školitel: Meduna Alexandr, prof. RNDr., CSc.

  17. Multimodální analýza pro hodnocení duševního zdraví

    Výzkumný problém: Význam duševního zdraví v posledním desetiletí výrazně vzrostl. Metody pro hodnocení problémů duševního zdraví v raných stádiích jsou však stále v plenkách ve srovnání s dostupností odpovídajících metod pro včasné hodnocení problémů fyzického zdraví. Je tedy nutné, aby byl proveden patřičný výzkum s cílem vyvinout metody pro včasné hodnocení abnormalit vedoucích k problémům duševního zdraví.

    Problémy se současnými řešeními: Na rozdíl od fyzického zdraví se duševní zdraví posuzuje prostřednictvím řady subjektivních parametrů. Proto chybí objektivní a kvantitativní metody pro hodnocení duševního zdraví. Navíc pacienti vyhledávají pomoc, až když je jejich duševní problém v pokročilé fázi. Chybí tedy nepřetržité sledování jejich duševního zdraví.

    Výzvy: Mnoho abnormalit souvisejících s problémy duševního zdraví se jen nepatrně projevuje a souvisí s chováním a dalšími změnami ve výrazech obličeje, řeči a rukopisu. Kromě toho dochází ke změnám hladiny kortizolu, kožní vodivosti, variability srdeční frekvence a frekvence dýchání. Existuje tedy několik modalit, které by měly být zahrnuty pro měření a kvantifikaci jakýchkoli abnormalit souvisejících s duševním zdravím.

    Téma práce: Každá modalita má své pro a proti. Například v neurozobrazování má funkční magnetická rezonance vysoké prostorové rozlišení (v mm) a nízké časové rozlišení (v sekundách), zatímco elektroencefalogram má nízké prostorové rozlišení (v cm) a vysoké časové rozlišení (v milisekundách). Kombinace obou povede k vysokému prostorovému i vysokému časovému rozlišení. Výzkum se bude  zabývat hodnocením abnormalit vedoucích k problémům duševního zdraví pomocí multimodálního přístupu. Různé modality mohou mimo jiné zahrnovat mozkové signály elektroencefalogramu (EEG), obličejová videa, zvuk řeči, rukopis a text ze sociálních médií. Mezi fyziologické parametry z různých modalit patří mimo jiné srdeční frekvence, frekvence dýchání, dominantní emoce, únava a stres. Dominantní emoce mohou být klasifikovány jako pozitivní nebo negativní a poté podřazeny jako smutné, šťastné, naštvané atd. Pro tuto multimodální analýzu budou vyvinuty techniky dolování dat a fúze dat. Pro tento projekt jsou k dispozici odpovídající multimodální data.

    Pár slov o školiteli: Mám rozsáhlé zkušenosti s prací v oblasti zpracování neuro-signálů a neuroobrazu a v současné době jsem vedoucím výzkumné skupiny v této oblasti. Jedná se o multidisciplinární projekt a bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT z hlediska vývoje nové metody. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, doc., Ph.D.

  18. Nové modely pro formální jazyky

    Řešení tohoto projektu bude vycházet ze stávajících poznatků teorie formálních jazyků o modelech definující jazyky. Projekt se zaměří na automaty a gramatiky. Cílem je konstrukce a výzkum nových verzí těchto modelů a to tak, aby adekvátním způsobem odrážely potřeby moderní informatiky. Řešení projektu bude rovněž zahrnovat diskuzi aplikací těchto systémů např. v oblasti bezpečnosti.

    Výsledky prvního roku řešení tohoto problému budou publikovány v Acta Informatica v 2024.

    Školitel: Meduna Alexandr, prof. RNDr., CSc.

  19. Odporúčacie a adaptívne webové systémy

    Odporúčacie systémy sú integrálnou súčasťou prakticky každej modernej webovej aplikácie. Personalizované, resp. adaptívne služby, sa stali štandardom, ktorý je používateľmi aplikácií vyžadovaný skoro vo všetkých doménach (napr. spravodajstvo, četoví agenti, sociálne médiá alebo vyhľadávanie).

    Personalizácia má významný vplyv na každodenný život miliónov používateľov naprieč mnohými doménami a aplikáciami. To je zdrojom zásadnej výzvy - návrh metód, ktoré sú nielen presné, ale aj dôveryhodné a spravodlivé. Táto výzva ponúka mnohé výskumné príležitosti vo viacerých smeroch:

    • Nové metódy strojového učenia pre adaptívne a odporúčacie systémy

    • Dôveryhodné metódy odporúčania pre viac-kritériové aplikácie

    • Vysvetľovanie odporúčaní

    • Férovosť a spravodlivosť v odporúčaní

    • Skreslenia v odporúčaní

    Jednotlivé smery a výzvy môžu byť adresované vo viacerých doménach ako napríklad vyhľadávanie, elektronický obchod, spravodajstvo, sociálne médiá a iné. 

    Súvisiace publikácie:

    • V. Bogina, T. Kuflik, D. Jannach, M. Bielikova, M. Kompan, C. Trattner. Considering temporal aspects in recommender systems: a survey. User Modeling and User-Adapted Interaction, 1-39, 2022. https://doi.org/10.1007/s11257-022-09335-w
    • I. Srba, R. Moro, M. Tomlein, B. Pecher, J. Simko, E. Stefancova, M. Kompan, A. Hrckova, J. Podrouzek, A. Gavornik, and M. Bielikova. Auditing YouTube’s Recommendation Algorithm for Misinformation Filter Bubbles. ACM Trans. Recomm. Syst. 1, 1, Article 6, March 2023. https://doi.org/10.1145/3568392

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Kompan Michal, doc. Ing., PhD.

  20. Počítačem podporovaná kreativita

    Cílem disertační práce je výzkum v oblasti tzv. generativní umělé inteligence - ať už se jedná o difusní a adversiální modely pro generování videa, generativní textové modely pro vytváření příběhů, automatické generování počítačového kódu, hudby, reprezentaci znalostí fyziky a chemie a podporu vědecké kreativity, případně kombinace všech těchto přístupů. Práce se zaměří na řešení problémů interakce člověka s generovanými mezivýsledky, přirozeného označování jednotlivých částí a konceptů tak, aby bylo možné na průběžné výsledky navazovat, a na vývoj metod úpravy datových sad a postupů učení, aby bylo možné řešit společenské problémy, spojené s vytvářenými kreativními modely - otázky spravedlivosti modelů, předpojatosti a začlenění konceptů tzv. zodpovědné umělé inteligence.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

  21. Pokročilé algoritmy zpracování videa, obrazu, signálu

    Tématem jsou algoritmy zpracování obrazu, videa a/nebo signálu. Hlavním cílem je zkoumat a do hloubky analyzovat příslušné algoritmy a hledat nové tak, aby měly nové potřebné vlastnosti, a  bylo možné je efektivně implementovat. Taková efektivní implementace může , ale nemusí být součástí práce, ale důležité je algoritmy připravit tak, aby šly efektivně zpracovávat například v CPU, v CPU s akcelerací SSE instrukcemi, v embedded systémech, i v kombinaci s FPGA, v Intel Xeon PHI, v systémech s extrémně nízkým příkonem, případně v jiném prostředí. Je možné i využití algoritmů umělé inteligence, včetně neuronových sítí, zejména CNN.  Důležité jsou též aplikační možnosti algoritmů s tím, že samotná aplikace může, ale nemusí být součástí řešení. Možné algoritmy/aplikace zahrnují:

    • rozpoznávání obsahu scény, případně dějů ve videosekvencích (například detekce dopravních situací, identifikace filmových scén, rozpoznání druhu akce, apod.),
    • klasifikace obrazu nebo videosekvencí (například pro kontrolu kvality výrobků, vyhledání objektů nebo charakteristik scén, apod.), případně i v kombinaci se sledováním objektů (tracking) ve videu moderními metodami,
    • současná analýza videa a signálu (například pro zjištění souběhu výskytu nějakého objektu ve videu a současně charakteristického průběhu signálu například v "surveillance" aplikacích), fůze obrazu a signálju,
    • moderní algoritmy zpracování videa, obrazu a/nebo signálu  s využitím "klient/server", případně "cloudu" vhodné například pro mobilní techniku a/nebo embedded systémy,
    • algoritmy komprese videa a analýzy prostřednictvím frekvenční či vlnkové a transformace, nebo obdobnými postupy...

    Po dohodě je možné zpracovávat i individuálně vybrané téma, které ve výše uvedeném seznamu není, ale patří do dané tématiky.

    Je možnost spolupráce i na grantových projektech, zejména na nově podávaných TAČR, MPO, H2020, SCSEL (potenciálně možnost stipendia či pracovního poměru).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

  22. Pokročilé metody syntézy obrazu

    Téma se zabývá pokročilými metodami syntézy obrazu. Cílem práce je výzkum nových metod pro fotorealistické (fyzikálně založené) i nefotorealistické (NPR) simulace světelné interakce ve scéně. Předpokládá se intenzivní spolupráce a stáže na špičkových institucích a firmách v oboru (Adobe, USA, MPII Saarbrücken, Německo, Disney Curych, Švýcarsko, INRIA Bordeaux, Francie).

    Školitel: Čadík Martin, doc. Ing., Ph.D.

  23. Pokročilé metody výpočetní fotografie

    Téma se zabývá pokročilými metodami výpočetní fotografie. Cílem práce je výzkum nových metod pro výpočetní fotografii, což zahrnuje zejména softwarové řešení, které může být případně dále kombinováno s novou optikou a dalším hardware. Mezi oblasti výzkumu patří zpracování HDR obrazu a videa, převod barevného obrazu na černobílý, spektrální obraz, pokročilé generování obrazu pomocí metod umělé inteligence a mnoho dalších.

    • Bližší informace: http://cadik.posvete.cz/tmo/
    • Kontakt: http://cadik.posvete.cz/
    • Možnost spolupráce a stáže se špičkovými laboratořemi (Adobe Research, USA, MPII Saarbrücken, Německo, Disney Research Curych, Švýcarsko, INRIA Bordeaux, Francie)

     

    Školitel: Čadík Martin, doc. Ing., Ph.D.

  24. Pokročilé témy strojového učenia

    Strojové učenie je v centre výskumu v oblasti umelej inteligencie. Témam spojeným so strojovým učením sa venuje množstvo výskumníkov v akademickom svete a aj v biznise v prestížnych vedeckých pracoviskách. Riešenia vedeckých výziev sa veľmi rýchlo dostávajú do praxe. Oblasť je veľmi dynamická.

    Témy v tejto doméne definujú významné vedecké konferencie, na ktorých sa stretávajú výskumníci z celého sveta (rank A*) ako napríklad ICML (International Conference on Machine Learning), NeurIPS (Advances in Neural Information Processing Systems), IJCAI (International Joint Conference on AI), COLT (Conference on Learning Theory). Témy a ich špecializáciu budú viesť externí mentori.

    Zaujímavé výskumné výzvy zahŕňajú témy (ale sa neobmedzujú takto):

    • General Machine Learning (e.g., active learning, clustering, online learning, ranking, reinforcement learning, semi-supervised learning, unsupervised learning)
    • Deep Learning (e.g., architectures, generative models, deep reinforcement learning)
    • Learning Theory (e.g., bandits, statistical learning theory)
    • Optimization (e.g., matrix/tensor methods, sparsity)
    • Trustworthy Machine Learning (e.g., fairness, robustness)

    Existuje veľa aplikačných domén, kde sa pokročilé metódy strojového učenia dajú využiť.

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave pod vedením výskumníkov zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Bieliková Mária, prof. Ing., Ph.D.

  25. Použitelná bezpečnost a soukromí

    Rostoucí trend používání IT technologií přináší vzrůstající nároky na uživatele, kteří musí činit více a více rozhodnutí týkající se IT bezpečnosti. V rámci řešení práce by mělo dojít k seznámení se s bezpečnostními technikami a jejich použitelností pro uživatele. Cílem práce je zlepšit použitelnost vybraných bezpečnostních technik, aby byly účinné v praxi, a to s ohledem na znalosti lidského faktoru a principy designu zaměřeného na uživatele. Práce se bude zabývat především vnímáním nových technologií, jako je umělá inteligence, nebo měnícími se trendy v oblasti jedno- a vícefaktorové autentizace. Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Na vedení práce se bude podílet školitel-specialista dr. Kamil Malinka.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  26. Predikce druhé mrtvice z dat shromážděných pomocí standardního protokolu mrtvice

    Výzkumný problém: Cévní mozková příhoda je stav, kdy je omezen nebo zastaven přívod krve do mozku. Když pacient s cévní mozkovou příhodou dorazí do nemocnice, postupuje se podle standardního protokolu k poskytnutí lékařské pomoci pacientovi a také k posouzení vlivu cévní mozkové příhody na mozek. Obecně může následovat druhá mrtvice, která může být pro pacienta zničující. Proto je důležité předvídat další mrtvici a poskytnout péči, která může zabránit další mrtvici nebo alespoň minimalizovat její účinky.

    Problémy se současnými řešeními: Standardní protokol v nemocnici zahrnuje testy krve a moči, stejně jako neuroimaging pomocí CT a MRI skenů. Tyto testy se používají k posouzení poškození způsobeného prvním úderem. Předpověď další mozkové příhody však závisí na zkušenostech lékaře a je velmi subjektivní. V mnoha případech pacient, který je po léčbě poslán domů, utrpí doma druhou devastující mozkovou příhodu, která může mít za následek trvalou invaliditu.

    Výzvy: Standardní protokol v nemocnicích má za následek generování velkého množství dat, například stovky snímků z CT a MRI skenů, stovky enzymů z krevních a močových testů atd. Úkolem je kolektivně analyzovat všechna tato data a najít korelace, které může u pacienta předpovědět druhou mozkovou příhodu.

    Téma práce: Tento výzkum vyvine metodu objektivní predikce výskytu druhé cévní mozkové příhody z dat shromážděných v nemocnici pomocí standardního protokolu pro hodnocení, léčbu a management cévní mozkové příhody. Analýza a vývoj bude zahrnovat techniky strojového učení, které zpracovávají multimodální data zahrnující obrázky, signály, text a čísla.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody analýzy. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, doc., Ph.D.

  27. Sémantické kartézské generické programování

    Zavedením sémantických operátorů do genetického programování umožnilo významně zefektivnit jeden ze základní stavebních pilířů evolučních výpočetních technik a zredukovat množství generací potřebných k nalezení řešení. Cílem disertační práce je navázat na předchozí výzkum a zabývat se možnostmi zavedení sémantických operátorů do kartézského genetického programování. 

    Výzkum spadá do témat řešených výzkumnou skupinou Evolvable Hardware.

    Školitel: Vašíček Zdeněk, doc. Ing., Ph.D.

  28. Spolupráca človeka a umelej inteligencie na tvorbe dátových vzoriek

    Modely vytvárané strojovým učením môžu byť len tak dobré, aké dobré sú dáta, ktoré použijeme na ich trénovanie. Aj preto sa výskumníci a inžinieri snažia získavať čo najlepšie trénovacie dáta. Nie je pritom zriedkavé vynakladať značné ľudské úsilie (pri čistení či anotovaní) s cieľom dosiahnuť potrebnú všeobecnú kvalitu. Niekedy je však ťažké, prípadne nemožné dostatočne pripraviť vzorku dát.

    V takýchto prípadoch môžu pomôcť riešenia založené na princípe “človek v procese” (angl. human in the loop), ktorý využíva ľudské úsilie na vylepšovanie strojovo naučených modelov prostredníctvom ľudských zásahov priamo počas trénovania a/alebo počas nasadenia modelov (napr. spätná väzba pri automatickom preklade). Tieto riešenia sú špeciálne užitočné pri cielených zlepšeniach trénovacích dát prostredníctvom identifikácie a riešenia sporných prípadov.

    Prístupy s človekom procese zahŕňajú pestrú paletu techník z oblastí ako aktívne a interaktívne učenie, ľudské počítanie či čerpanie z davu (spolu s motivačnými schémami ako gamifikácia a hry s účelom). S nástupom veľkých jazykových modelov sa tiež otvárajú možnosti využiť tieto techniky pri generovaní veľkých syntetických trénovacích sád s relatívne malým ľudským úsilím.

    Aplikačné domény sú predovšetkým tie s veľkou mierou heterogenity a nestálosti. Takéto domény zahŕňajú napríklad aj detekciu falošných informácií, šírenie informácií online (vrátane šírenia naratívov a mémov), auditovanie algoritmov sociálnych médií a ich tendencií šíriť dezinformácie, podpora manuálneho/automatického overovania informácií (fact-checking) a ďalšie.

    Súvisiace publikácie:

    • Cegin, J., Simko, J. and Brusilovsky, P., 2023. ChatGPT to Replace Crowdsourcing of Paraphrases for Intent Classification: Higher Diversity and Comparable Model Robustness. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/pdf/2305.12947.pdf
    • J. Šimko and M. Bieliková. Semantic Acquisition Games: Harnessing Manpower for Creating Semantics. 1st Edition. Springer Int. Publ. Switzerland. 150 p. https://link.springer.com/book/10.1007/978-3-319-06115-3

    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Šimko Jakub, doc. Ing., PhD.

  29. Strojové učení pro identifikaci informací na webu

    Přestože existují technologie, které umožňují publikovat data na WWW ve strojově čitelné podobě (jako např. JSON-LD, RDFa, apod.), velké množství strukturovaných dat je na webu stále publikováno ve formě prostého HTML/CSS kódu, který velmi omezuje možnosti jejich dalšího využití.

    V poslední době nabývají na významu nové metody strojového učení (zejména deep learning metody), které vykazují zajímavé výsledky např. při rozpoznávání důležitých entit ve slabě strukturovaných nebo nestrukturovaných datech (např. v textu nebo obraze). Oblasti zpracování webových dokumentů však není z tohoto pohledu věnována velká pozornost. Existující práce se zabývají identifikací jednoduchých datových položek a pomíjí strukturovaná data a komplexnější scénáře použití.

    Cílem tématu je proto analýza a vývoj modelů webového obsahu vhodných jako vstup pro strojové učení a současně i metod strojového učení vhodných pro rozpoznání strukturovaných dat ve webových dokumentech.

    Školitel: Burget Radek, doc. Ing., Ph.D.

  30. Systémy založené na automatech a gramatikách

    Řešení tohoto projektu bude vycházet ze stávajících poznatků o formálních modelech, zejména automatů a gramatik. Cílem je konstrukce a výzkum nových systemů automatů a gramatik, které adekvátním způsobem odrážejí potřeby moderních výpočetních metod založených na distribuci, kooperaci a regulaci. Kanonické a redukované verze těchto system budou centrem tohoto studia. Aplikace těchto systémů se budou soustředit na modelování a výzkum organismů v molekulární biologii a genetice.

    Výsledky prvního roku řešení tohoto problému budou publikovány v Acta Informatica v 2024.

    Školitel: Meduna Alexandr, prof. RNDr., CSc.

  31. Transformace formálních systémů pro jazyky

    Řešení tohoto projektu bude vycházet ze stávajících poznatků o moderních formálních systémech, které se používají v teorii jazyků. Teoretický výzkum těchto modelů bude diskutovat užitečné transformace těchto systémů, jako např. eliminace vymazávajících pravidel či redukce velikosti jejich komponent. Výzkum aplikací takto transformovaných systémů se bude soustředit na oblasti informatiky související s překladači, matematickou lingvistikou a molekulární biologií.

    Výsledky prvního roku řešení tohoto problému budou publikovány v Acta Informatica v 2024.

    Školitel: Meduna Alexandr, prof. RNDr., CSc.

  32. Umělá inteligence pro podporu rozpoznávání osob podle obličeje

    Rozpoznávání podle obličeje v posledních letech zažilo výrazný posun, přičemž oblastí, kde lze stále zlepšovat, je rekonstrukce snímků obličeje pomocí umělé inteligence. V rámci tohoto výzkumu očekáváme návrh nových metod, které by měly zlepšit možnosti rozpoznávání s nekvalitními snímky obličeje (například nízké rozlišení, překryvy, rozmazání). Cílem je vytvořit forenzní knihovnu s inovativními algoritmy, jejímž využitím by se zvýšila pravděpodobnost rozpoznání osoby podle obličeje.

     

    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech. Dále předpokládáme spolupráci se zástupci policie; nicméně pro plnění výzkumu to není nezbytná podmínka.

     

    Na vedení práce se bude podílet školitel specialista Dr. Filip Orság.

    Školitel: Hanáček Petr, doc. Dr. Ing.

  33. Vestavěná inteligence počítající s energetickými omezeními

    Cílem disertační práce je výzkum modelů vestavěné inteligence, která explicitně pracuje s energetickou náročností konkrétních operací a optimalizuje svoji činnost na základě konkrétních omezení na straně jednotlivých zařízení, případně celého systému. Součástí bude i realizace vybraných modelů na vhodném typu hardware, který bude možné využít v mezinárodních projektech, na jejichž řešení se vedoucí podílí.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

  34. Vizuální geo-lokalizace a rozšířená realita

    Projekt se zabývá geo-lokalizací v neznámém prostředí pomocí metod počítačového vidění a počítačové grafiky. Hlavním cílem je výzkum a návrh nových metod registrace obrazu s geo-lokalizovanou obrazovou databází nebo s 3D modelem terénu. Cílem je též implementace navržených metod na mobilních zařízeních a hledání jejich dalších aplikací např. v oblastech zpracování obrazu, výpočetní fotografie a rozšířené reality.

     

    Školitel: Čadík Martin, doc. Ing., Ph.D.

  35. Vizuální kvalita obrazu a videa

    Téma se zabývá metrikami pro odhad vizuální kvality obrazu a videa. Cílem práce je výzkum nových metod, které by odstranily některé nedostatky existujících metrik zejména s ohledem na vlastnosti vizuálního vnímání člověka. V úvahu přicházejí např. problémy z oblasti vjemu HDR obrazu a využití přídavných informací (metadata, 3D, atd.) o testovaných scénách pomocí metod strojového učení (např. neuronových sítí).

     

    Školitel: Čadík Martin, doc. Ing., Ph.D.

  36. Vysvětlitelná umělá inteligence

    Použití některých metod strojového učení, například v poslední době populárních hlubokých neuronových sítí, přináší problémy architektury tzv. černé skříňky, která sice může v některých případech správně rozhodovat, ale není možné snadno interpretovat způsob rozhodování, ověřovat, v jakém kontextu jsou závěry ještě věrohodné a nakolik mohou vést drobné změny vstupu ke zcela jiným závěrům.

    Cílem disertační práce je rozvinout existující přístupy k měření "dokazatelně správných" modelů umělých neuronových sítí a propojit je s technikami generování konfliktních (adversarial) příkladů, aby bylo možné kontrolovat a revidovat existující řešení, využívaná v praxi. Součástí práce bude i aplikace zkoumaných metod v rámci evropských projektů, na jejichž řešení se školitel podílí.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

  37. Vývoj neuromarkeru(ů) pro hodnocení závislosti na alkoholu

    Výzkumný problém: Závislost na alkoholu je chronická a komplexní mozková porucha způsobující zničující individuální i sociální problémy. Kromě toho alkohol způsobuje 3,3 milionu úmrtí ročně na celém světě, což je téměř 6 % všech úmrtí. Mnoho z těchto úmrtí je spojeno se závislostí na alkoholu. Proto je důležité prozkoumat metody pro diagnostiku a léčbu závislosti na alkoholu.

    Problémy se současnými řešeními: Obvykle se screening a hodnocení problémů souvisejících s alkoholem zakládá hlavně na zprávách z autotestů. Přesnost zpráv o autotestech však byla zpochybněna, zejména u silných pijáků, protože zprávy z autotestů mohou zkreslovat diagnózu kvůli ztrátě paměti pacienta (pacienti nemohou měřit spotřebu alkoholu) a/nebo nečestnému chování. Proto tento výzkum navrhuje vyvinout objektivní a kvantitativní metodu pro detekci závislosti na alkoholu.

    Výzvy: Vzhledem k tomu, že závislost na alkoholu vede ke změnám v dynamice mozku, je životně důležité prozkoumat a vyvinout metodu založenou na mozkové aktivitě. Hlavní výzva při vývoji takové objektivní a kvantitativní metody však spočívá v její implementaci pro screening v menších klinických zařízeních. To omezuje vyšetřování na elektroencefalogram (EEG), který je levný, vysoce mobilní a má dobré časové rozlišení. Jiné modality, jako je MRI, PET atd., není možné použít v menších klinických zařízeních.

    Téma práce: Se současnými inovacemi v mozkových EEG signálech lze zkoumat mozkové dráhy zapojené do závislosti. V posledních několika desetiletích byl výzkum EEG používán k pochopení komplexních základních procesů spojených s patofyziologií závislosti. Interpretace takových procesů pomocí mozkových sítí pomocí EEG může pomoci nejen při diagnostice závislosti, ale také pomoci při léčbě závislosti. Tento výzkum si klade za cíl vyvinout neuromarkery založené na interpretaci mozkové sítě pomocí EEG. Neuromarker bude zahrnovat extrakci funkcí a odpovídající vývoj modelu strojového učení.

    Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, doc., Ph.D.

  38. Zlepšovanie spracovania prirodzeného jazyka

    Rozvoj veľkých jazykových modelov (large language models, LLM) v posledných mesiacoch ukazuje potenciál hlbokého učenia a umelých neurónových sietí pre mnoho úloh spracovania prirodzeného jazyka (natural language processing, NLP). Pokroky v ich automatizácii majú významný dopad na množstvo inovatívnych aplikácií ovplyvňujúcich každodenný život.

    Aj keď sú veľké jazykové modely úspešne využívané pri riešení veľkého množstva úloh, stále zostávajú viaceré výskumné výzvy týkajúce sa jednotlivých úloh spracovania prirodzeného jazyka, aplikačných domén a samotných jazykov. K nim pribúdajú ďalšie výzvy vychádzajúce z podstaty veľkých jazykových modelov a netransparentnej povahy modelov založených na neurónových sieťach (tzv. black-box modely).

    Je potrebný ďalší výskum a prieskum súvisiacich javov, špeciálnu pozornosť v poslednej dobe púta problém dôveryhodnosti modelov pre NLP (tzv. trustworthy NLP) alebo nové paradigmy učenia adresujúce problém nízkej dostupnosti zdrojov potrebných pre učenie (tzv. low-resource NLP).

    Zaujímavé výskumné výzvy, na ktoré sa možno v rámci témy zamerať (príkady):

    • Veľké jazykové modely a ich vlastnosti (napr. porozumenie halucinovania)
    • Dôveryhodnosť NLP (napr. mitigácia biasov, vysvetliteľnosť modelov)
    • Adaptovanie veľkých jazykových modelov na konkrétny kontext a úlohu (napr. prostredníctvom PEFT, RAG)
    • Pokročilé techniky učenia (napr. učenie s prenosom, multilingválne učenie)
    • Doménovo-špecifická extrakcia informácií a klasifikácia textu (napr. nové metódy analýzy sentimentu, zlepšovanie kvality konverzácie v konverzačných agentoch)

    Súvisiace publikácie:

    Výskum bude doktorand(ka) vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Šimko Marián, doc. Ing., Ph.D.

  39. Zlepšovanie výkonnosti veľkých jazykových modelov na zadaných úlohách

    Veľké jazykové modely sa čoraz častejšie používajú pre široké spektrum úloh, pri ktorých vykazujú dobrú výkonnosť pri použití v podmienkach bez priameho príkladu (zero-shot) alebo s niekoľkými príkladmi (few-shot), a to aj v porovnaní so špecializovanými dotrénovanými modelmi. Platí to predovšetkým pre úlohy, pri ktorých môžu veľké jazykové modely využiť znalosti, ktoré získali počas ich predtrénovania. Avšak pri úlohách, ktoré vyžadujú špecifickejšie doménové znalosti či adaptáciu, veľké jazykové modely aktuálne zaostávajú. Okrem toho trpia rôznymi problémami, ako sú napr. halucinácie (generovanie koherentného výstupu, ktorý je však fakticky nesprávny alebo nezmyselný) alebo generovanie textu obsahujúceho predsudky naučené z dát použitých počas predtrénovania. Boli navrhnuté rôzne prístupy na riešenie týchto problémov, napr. lepšie stratégie tvorby dopytov (vrátane kontextuálneho učenia), generovanie obohatené o vyhľadávanie alebo adaptácia veľkých jazykových modelov pomocou efektívneho dotrénovania.

    Každý z týchto prístupov (alebo ich kombinácia) predstavuje príležitosť pre nové objavy. Ortogonálne k týmto prístupom stoja vlastnosti modelov ako miera ich zhody s ľudskými hodnotami, robustnosť, vysvetliteľnosť alebo interpretovateľnosť, ktoré sú dôležitým faktorom a prínos v tomto smere je vítaný (v rámci uvádzaných techník aj všeobecne v umelej inteligencii).

    Existuje veľa úloh, kde sa metódy adaptácie veľkých jazykových modelov dajú uplatniť. Nachádzajú sa medzi nimi aj veľmi aktuálne oblasti detekcie nepravdivých informácií (dezinformácií), detekcie signálov kredibility obsahu, auditovanie algoritmov sociálnych médií a ich tendencií šíriť dezinformácie, či podpora overovania informácií (fact-checking).

    Súvisiace publikácie:

    • Macko, D., Moro, R., Uchendu, A., Lucas, J.S., Yamashita, M., Pikuliak, M., Srba, I., Le, T., Lee, D., Simko, J. and Bielikova, M., 2023. MULTITuDE: Large-Scale Multilingual Machine-Generated Text Detection Benchmark. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/abs/2310.13606
    • Vykopal, I., Pikuliak, M., Srba, I., Moro, R., Macko, D., and Bielikova, M., 2023. Disinformation Capabilities of Large Language Models. Preprint dostupný na arXiv: https://arxiv.org/abs/2311.08838


    Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín v rámci medzinárodných výskumných grantov. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Bieliková Mária, prof. Ing., Ph.D.

Struktura předmětů s uvedením ECTS kreditů (studijní plán)

2. ročník, zimní semestr
ZkratkaNázevJ.Kr.Pov.Uk.Hod. rozsahSk.Ot.
JADZkouška z jazyka anglického pro Ph.D.cs, en0Povinně volitelnýdrzkS - 13Zkouška z angličtinyano
2. ročník, letní semestr
ZkratkaNázevJ.Kr.Pov.Uk.Hod. rozsahSk.Ot.
JADZkouška z jazyka anglického pro Ph.D.cs, en0Povinně volitelnýdrzkS - 13ano
Libovolný ročník, zimní semestr
ZkratkaNázevJ.Kr.Pov.Uk.Hod. rozsahSk.Ot.
JA6DAngličtina pro doktorandycs, en0Povinně volitelnýdrzkP - 13 / S - 26 / Cj - 13Zkouška z angličtinyano
PDDAplikace paralelních počítačůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
IV108Bioinformatikacs, en0Povinně volitelnýdrzkP - 13 / KK - 26 / COZ - 13Odborný předmětano
FADFormální analýza programůcs, en0Povinně volitelnýdrzkP - 26 / KK - 26Odborný předmětano
MSDModelování a simulacecs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
MZDModerní metody zpracování řečics, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
SWDOntologie a sémantický webcs, en0Povinně volitelnýdrzkP - 26Odborný předmětano
DPC-TK1Optimalizační metody a teorie hromadné obsluhycs0Povinně volitelnýdrzkS - 39Odborný předmětano
ORIDOptimální řízení a identifikacecs, en0Povinně volitelnýdrzkP - 26 / KK - 26 / PR - 13Odborný předmětano
PGDPočítačová grafikacs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
PBDPokročilé biometrické systémycs, en0Povinně volitelnýdrzkP - 26 / KK - 26 / PR - 4Odborný předmětne
PNDPokročilé techniky návrhu číslicových systémůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
TJDTeorie programovacích jazykůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
ZPDZpracování přirozeného jazykacs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
ASDZpracování řeči a audia člověkem a počítačemcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
MIDModerní matematické metody v informaticecs, en0Povinně volitelnýdrzkP - 26 / KK - 26Teoretický předmětano
MMDModerní metody zobrazování 3D scénycs, en0Povinně volitelnýdrzkP - 39 / KK - 26Teoretický předmětano
TIDModerní teoretická informatikacs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 13Teoretický předmětano
OPDOptikacs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 13Teoretický předmětano
RGDRegulované gramatiky a automatycs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 13Teoretický předmětne
DPC-MA1Statistika. stochastické procesy, operační výzkumcs0Povinně volitelnýdrzkS - 39Teoretický předmětano
APDVybraná témata z analýzy a překladu jazykůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 13Teoretický předmětano
VDDVědecké publikování od A do Zcs, en0VolitelnýdrzkKK - 26 / S - 8ano
Libovolný ročník, letní semestr
ZkratkaNázevJ.Kr.Pov.Uk.Hod. rozsahSk.Ot.
BIDBezpečnost informačních systémů a kryptografiecs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / PR - 4Odborný předmětano
EUDEvoluční a neurální hardwarecs, en0Povinně volitelnýdrzkP - 26 / KK - 26Odborný předmětano
EVDEvoluční výpočetní technikycs, en0Povinně volitelnýdrzkP - 26 / KK - 26Odborný předmětano
ISDInteligentní systémycs, en0Povinně volitelnýdrzkP - 26 / KK - 26 / PR - 26Odborný předmětano
ATNDPokročilá témata v neurozobrazováníen0Povinně volitelnýdrzkOdborný předmětano
SODSystémy odolné proti poruchámcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
MADVybrané kapitoly z matematikycs, en0Povinně volitelnýdrzkP - 26 / KK - 26Odborný předmětano
VPDVybrané problémy informačních systémůcs, en0Povinně volitelnýdrzkP - 39 / KK - 26Odborný předmětano
KRDKlasifikace a rozpoznávánícs, en0Povinně volitelnýdrzkP - 39 / KK - 26Teoretický předmětano
MLDMatematická logikacs, en0Povinně volitelnýdrzkP - 26 / KK - 26Teoretický předmětano
TADTeorie a aplikace Petriho sítícs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / Cp - 8Teoretický předmětano
TKDTeorie kategorií v informaticecs, en0Povinně volitelnýdrzkP - 26 / KK - 26Teoretický předmětano
VNDVysoce náročné výpočtycs, en0Povinně volitelnýdrzkP - 39 / KK - 26 / Cp - 26Teoretický předmětano
Všechny skupiny volitelných předmětů
Sk. Počet předm. Předměty
Teoretický předmět 1 - 9 MID, MMD, TID, OPD, RGD, DPC-MA1, APD, KRD, MLD, TAD, TKD, VND
Zkouška z angličtiny 1 - 9 JAD, JA6D