Přednášky:
1. Definice systému, základní dělení, základní pojmy, zpětná vazba, popis systému, matematický aparát.
2. Modelování biologických systémů, postup při vytváření modelu, Modely statických systémů, modely dynamických systémů, stochastické modely biologických systémů, základní atributy systémů.
3. Lidský organismus jako systém – základní vlastnosti organismu, principy homeostatického řízení, řídicí mechanismy, stimuly, struktura biologického systému, receptory, homeostatická regulace, termoregulace
4. Neurofyziologie - nervový systém. Přenášení a zpracovávání informace v biologických systémech. Nervová, hormonální a humorální úroveň jejich řízení.
5. Srdce. Činnost srdce a význam regulačních mechanismů při zátěži. Cévní systém. Význam cévního řečiště pro oběh, možnosti a význam jeho regulace.
6. Regulace tepové frekvence, Stabilizace krevního tlaku
7. Dýchací systém. Řízení činnosti dýchacího systému. Funkce plic a její regulace v extrémních podmínkách. Regulace dýchání
8. Regulace vody v organismu, regulace glykemie, farmakokinetika
9. Úvod do strojového učení: vymezení oblastí supervizorního a nesupervizorního učení.
10. Principy návrhu systémů s využitím strojového učení, ladění, anotace dat a hyperparametry učení.
11. Metody objektivní evaluace výkonu strojového učení: parametry přesnosti a ztrátové funkce.
12. Příklady využití metod strojového učení pro rozpoznání obsahu signálů: metody detekce a klasifikace signálů.
13. Příklady využití metod strojového učení pro analýzu biologických obrazů: sémantická segmentace a konvoluční neuronové sítě.
14. Metody nesupervizorního učení pro zpracování biologických signálů a obrazů.
Laboratorní cvičení:
1. Úvod do teorie obyčejných diferenciálních rovnic: ODR I., II. řádu a jejich soustavy, obecné a partikulární řešení, Cauchyho úloha a Laplaceova transformace.
2. Řešení obyčejných diferenciálních rovnic v Simulinku. Numerické řešiče diferenciálních rovnic v prostředí MATLAB.
3. Analytické řešení a simulace populačních modelů.
4. Farmakokinetika: jedno kompartmentový a dvou kompartmentový model průchodu léčiva.
5. Analýza a simulace závislosti tepové frekvence na fyzické zátěži.
6. Modelování funkce ledvin při stabilizaci krevního tlaku.
7. Plicní kompartment: model koncentrace plynů v alveolech a ostatních tkáních.
8. Model regulace žaludeční kyselosti.
9. Přípravy modelů strojového učení: design modelu, nastavení hyperparametrů, tvorba anotovaných dat.
10. Design vybraných modelů strojového učení pro obecné příklady detekce významných událostí, klasifikace a regrese.
11. Metody detekce významných událostí z biologických signálů s využitím strojového učení.
12. Metody klasifikace biologických signálů s využitím strojového učení.
13. Metody sémantické segmentace pro automatickou detekci objektů z medicínských obrazů.
14. Konvoluční neuronové sítě pro klasifikaci medicínských obrazů.
1. Definice systému, základní dělení, základní pojmy, zpětná vazba, popis systému, matematický aparát.
2. Modelování biologických systémů, postup při vytváření modelu, Modely statických systémů, modely dynamických systémů, stochastické modely biologických systémů, základní atributy systémů.
3. Lidský organismus jako systém – základní vlastnosti organismu, principy homeostatického řízení, řídicí mechanismy, stimuly, struktura biologického systému, receptory, homeostatická regulace, termoregulace
4. Neurofyziologie - nervový systém. Přenášení a zpracovávání informace v biologických systémech. Nervová, hormonální a humorální úroveň jejich řízení.
5. Srdce. Činnost srdce a význam regulačních mechanismů při zátěži. Cévní systém. Význam cévního řečiště pro oběh, možnosti a význam jeho regulace.
6. Regulace tepové frekvence, Stabilizace krevního tlaku
7. Dýchací systém. Řízení činnosti dýchacího systému. Funkce plic a její regulace v extrémních podmínkách. Regulace dýchání
8. Regulace vody v organismu, regulace glykemie, farmakokinetika
9. Úvod do strojového učení: vymezení oblastí supervizorního a nesupervizorního učení.
10. Principy návrhu systémů s využitím strojového učení, ladění, anotace dat a hyperparametry učení.
11. Metody objektivní evaluace výkonu strojového učení: parametry přesnosti a ztrátové funkce.
12. Příklady využití metod strojového učení pro rozpoznání obsahu signálů: metody detekce a klasifikace signálů.
13. Příklady využití metod strojového učení pro analýzu biologických obrazů: sémantická segmentace a konvoluční neuronové sítě.
14. Metody nesupervizorního učení pro zpracování biologických signálů a obrazů.
Laboratorní cvičení:
1. Úvod do teorie obyčejných diferenciálních rovnic: ODR I., II. řádu a jejich soustavy, obecné a partikulární řešení, Cauchyho úloha a Laplaceova transformace.
2. Řešení obyčejných diferenciálních rovnic v Simulinku. Numerické řešiče diferenciálních rovnic v prostředí MATLAB.
3. Analytické řešení a simulace populačních modelů.
4. Farmakokinetika: jedno kompartmentový a dvou kompartmentový model průchodu léčiva.
5. Analýza a simulace závislosti tepové frekvence na fyzické zátěži.
6. Modelování funkce ledvin při stabilizaci krevního tlaku.
7. Plicní kompartment: model koncentrace plynů v alveolech a ostatních tkáních.
8. Model regulace žaludeční kyselosti.
9. Přípravy modelů strojového učení: design modelu, nastavení hyperparametrů, tvorba anotovaných dat.
10. Design vybraných modelů strojového učení pro obecné příklady detekce významných událostí, klasifikace a regrese.
11. Metody detekce významných událostí z biologických signálů s využitím strojového učení.
12. Metody klasifikace biologických signálů s využitím strojového učení.
13. Metody sémantické segmentace pro automatickou detekci objektů z medicínských obrazů.
14. Konvoluční neuronové sítě pro klasifikaci medicínských obrazů.