Předmět je zaměřen na problematiku počítačové inteligence a strojového učení včetně konstrukce matematických modelů neuronových sítí a jejich optimalizaci z hlediska potřeb zpracování signálů a adaptivního potlačování jejich rušivých složek. Zvláštní pozornost je dále věnována užití umělých neuronových sítí pro klasifikaci komponent signálů a obrazů a dále pro rozpoznávání vzorů. Vybrané případové studie presentované ve výpočetním systému MATLAB jsou zaměřené na analýzu biomedicínských a inženýrských dat.

The subject is devoted to selected problems of computational intelligence and machine learning including architecture of artificial neural networks, their optimization for signal and image processing and their use for adaptive noise rejection. A special attention is paid to signal and image features extraction, pattern recognition and to the use of neural networks for their classification into given number of classes. Selected case studies presented in the MATLAB computational environment are devoted to biomedical and engineering data processing.

Z: S. Haykin: Neural Networks, Prentice Hall, 1999, ISBN 0132733501

Z: S. Samarasinghe: Neural Networks for Applied Science and Engineering, CRC Press, 2016

D: Vaseghi S.V.: Multimedia Signal Processing, Wiley, 2007

D: WIKIBOOK: Artificial Neural Networks, https://en.wikibooks.org/wiki/Artificial_Neural_Networks, 2018

Z: S. Haykin: Neural Networks, Prentice Hall, 1999, ISBN 0132733501

Z: S. Samarasinghe: Neural Networks for Applied Science and Engineering, CRC Press, 2016

D: Vaseghi S.V.: Multimedia Signal Processing, Wiley, 2007

D: WIKIBOOK: Artificial Neural Networks, https://en.wikibooks.org/wiki/Artificial_Neural_Networks, 2018

1. Metody počítačové inteligence ve zpracování dat

2. Architektura umělých neuronových sítí, jejich modelování a optimalizace v prostředí systému MATLAB

3. Učení a verifikace učícího procesu

4. Adaptivní lineární element a jeho využití pro potlačování rušivých složek signálů

5. Vícevrstvé dopředné a rekurentní sítě v predikci časových řad

6. Konstrukce matice vzorů a její využití pro klasifikaci dílčích komponent signálů a obrazů

7. Neuronové sítě s topologií, alternativní metody klasifikace dat

8. Strojové učení, rozpoznávání vzorů

9. Užití neuronových sítí ve zpracování obrazů

10. Neronové sítě s hloubkovým učením

11. Vybrané aplikace adaptivního zpracování dat, neuronové sítě v robotice

12: CASE STUDY 1: Potlačování rušivých složek reálných dat

13. CASE STUDY 2: Predikce chování dat

14. CASE STUDY 3: Extrakce vlastní a klasifikace v biomedicíně