Dalibor Čápek
Master's thesis
Umělá inteligence ve zdravotnictví
Abstract:
Diplomová práce se věnuje využití umělé inteligence ve zdravotnictví. Pojem umělá inteligence se objevuje stále více v souvislosti s dopady na různá odvětví. Cílem práce je zaměřit se na vývoj umělé inteligence ve zdravotnictví a její dopad na pracovní svět ve zdravotnictví. Teoretická část je věnována hlavním pojmům jako jsou data, strojové učení a v neposlední řadě etika umělé inteligence a strojového …moreAbstract:
This master thesis describes the use of artificial intelligence in healthcare. The concept of artificial intelligence is increasingly emerging in connection with the impact on various sectors. The aim of this work is to focus on the development of artificial intelligence in health care and its impact on the world of work in health care. The theoretical part is devoted to the main concepts such as data …more
Language used: Czech
Date on which the thesis was submitted / produced: 25. 4. 2022
Identifier:
http://theses.cz/id/815qfk/
Thesis defence
- Date of defence: 7. 6. 2022
Citation record
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
České vysoké učení technické v Praze
Celoškolská pracoviště (studium mimo fakulty)Master programme:
Projektové řízení inovací
Theses on a related topic
-
Using machine learning in Football
Thomas Stvarnik -
Application of Machine Learning and Data Mining with Python for Business Analysis.
Md Faisal Ibn Haque -
Fraud Detection with Positive and Unlabeled Dataset using Interactive Learning Technique
Mobin Al HASSAN -
Supervised and Unsupervised Machine Learning Methods for System Log Anomaly Detection
Júlia Ščensná -
Machine Learning for Text Anomaly Detection
Alina Tsykynovska -
Unsupervised Machine Learning Methods for Behaviour Analysis and Anomaly Detection in University Environment
Pavel Strnad -
Použití self-supervised learning pro rozpoznání sportovních pozic v obraze
Daniel Konečný -
Solvers and their implementations for machine learning problems and applications
Marek Pecha