Tematické okruhy otázek ke státní doktorské zkoušce

UMĚLÁ INTELIGENCE A BIOKYBERNETIKA

Společná témata

  1. Množiny. Teorie matic. Soustavy lineárních rovnic.
  2. Základy matematické analýzy. Metody aproximace funkcí. Metoda nejmenších čtverců. Aplikace pro hledání modelů z naměřených reálných dat.
  3. Statická optimalizace. Lineární programování. Gradientní metody. Problém uváznutí v lokálním extrému.
  4. Základní pojmy statistiky, zásady provádění pokusů a ověřování hypotéz, metoda maximální věrohodnosti.
  5. Grafy. Kombinatorické algoritmy a jejich složitost. Asymptotické míry výpočetní složitosti, třídy P a NP.
  6. Lineární integrální transformace, zejména Fourierova. FFT. Nelineární filtrace.
  7. Teorie informace, míry informace, entropie, střední vzájemná informace, princip maxima entropie.
  8. Matematický model zavedený na objektu. Problém identifikace struktury a parametrů modelu.
  9. Výroková logika. Predikátová logika prvního řádu. Formální systém, teorie a jejich korektnost a úplnost. Metody dokazování vět. Rezoluční princip. Meze dokazatelnosti.
  10. Řešení úloh. Stavový prostor úlohy a metody jeho prohledávání.
  11. Formulace úlohy statistického rozhodování, rozpoznávání. Bayesovské rozhodování jako minimalizace střední ztráty. Nebayesovské úlohy.
  12. Definice problému učení. Indukce, dedukce a abdukce. Učení (trénování) a odhady parametrů. Odlišnosti učení s učitelem a bez učitele. Základní metody. Trénovací a testovací množina a jejich rozsah.
  13. Znalosti, jejich reprezentace a použití v úlohách umělé inteligence.
  14. Znalostní systémy a jejich praktické aplikace.
  15. Základní cíle umělé inteligence a přístupy k jejich dosažení: manipulace se symboly, konekcionismus, distribuované systémy.

Specializační témata větve Umělá inteligence

  1. Programovací jazyky pro UI. Deklarativní a procedurální programování, rozdíly a možné propojení včetně implementace.
  2. Problémy zpracování přirozeného jazyka. Problematika porozumění přirozenému jazyku, používané principy, metody a nástroje. Využití v současných aplikacích UI.
  3. Fuzzy uvažování. Modely složitých systémů a jejich návrh. Kvalitativní simulace.
  4. Návrh a tvorba znalostních systémů. Rozhodovaní za neurčitosti a jeho použití v expertních systémech. Základy teorie her.
  5. Dobývání znalostí z dat (KDD) a techniky umělé inteligence.
  6. Učení v prostředí s rozsáhlou apriorní znalostí. Induktivní logické programování a relační učení.
  7. Posilované učení. Neuronové sítě a jejich aplikace.
  8. Evoluční výpočetní techniky a jejich použití.
  9. Multiagentní systémy. Modelování sociálních agentů. Chování society agentů.
  10. Plánování a rozvrhování. Znalosti v dynamickém prostředí a problém rámce.
  11. Robotika. Tvorba modelu světa a slučování znalostí.
  12. Umělý život.

Specializační témata větve Strojové vnímání

  1. Teorie statistického učení podle Vapnika-a Červoněnkise.
  2. Statistické učení bez učitele. EM algoritmus.
  3. Lineární diskriminační funkce. Perceptron. SVM (Support Vector Machine). Mnohovrstvý perceptron a jeho učení metodou zpětného šíření.
  4. Syntaktické rozpoznávání. Úlohy hledající přesnou a nepřesnou shodu. Rozpoznávání markovských řetězců.
  5. Obecné úlohy počítačového vidění. Měření tvaru, navigace, sledování, stíhání, rozpoznávání.
  6. Formování obrazu. Struktura obrazu. Vztah mezi vlastnostmi povrchu a jasovou funkcí.
  7. Projektivní a afinní geometrie.
  8. Geometrie více kamer.
  9. Analýza pohybu. Problém korespondence.
  10. Tvar z X. Stereovidění. Fotometrické stereo. Tvar ze stínování.

Specializační témata větve Biokybernetika

  1. Modelování a simulace v biokybernetice. Návrh a tvorba modelů. Aplikace.
  2. Fyziologie nervové soustavy a neuronové sítě.
  3. Kognitivní procesy a způsoby jejich realizace.
  4. Lékařské a nemocniční informační systémy. Požadavky na projekty informačních systémů z pohledu medicíny.
  5. Využití znalostních systémů v lékařské diagnostice a plánování terapie.
  6. Systémy člověk . stroj. Modely chování člověka. Rozhraní člověk . stroj. Simulátory pro výcvik pilotů a operátorů.
  7. Typy biologických dat a signálů. Předzpracování signálů. Zjišťování vazeb mezi veličinami. Specifické problémy zpracování biologických signálů.
  8. Metody pro rozhodování za neurčitosti a jejich použití v lékařské diagnostice.
  9. Využití metod strojového učení pro zpracování lékařských dat. Praktické aplikace.
  10. Využití statistických metod pro vyhodnocování lékařských dat. Senzitivita, specificita. ROC křivka, ROC plocha.
  11. Datové sklady, získávání znalostí dat, využití těchto metod při práci se zdravotními registry.
  12. Metody vnímání - základní principy pro strojové vidění a pro zpracování sluchového vjemu.
Za obsah odpovídá: RNDr. Patrik Mottl, Ph.D.