Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru/specializace. Za věcný obsah předmětu zodpovídá garant předmětu. Časovou náročnost předmětu zhruba vyjadřuje atribut předmětu rozsah kontaktní výuky. Například rozsah = 2+2  značí, že předmět bude mít týdně dvě hodiny přednášek a dvě hodiny cvičení týdně. Na závěr semestru musí vyučující provést vyhodnocení, nakolik si ten který student osvojil poznatky a dovednosti, kterých měl během výuky nabýt. Jakým způsobem toto hodnocení vyučující provedou určuje atribut způsob zakončení. U předmětu lze definovat, že předmět je zakončen pouze zápočtem(Z), klasifikovaným zápočtem(KZ), pouze zkouškou(ZK), nebo zápočtem a zkouškou(Z,ZK). Náročnost úspěšného absolvování předmětu je vyjádřena ECTS kreditními body. Výuka předmětu probíhá během semestru. Opakovaně se předmět vyučuje vždy v zimním(Z), nebo v letním(L) semestru každého akademického roku. Výjimečně může předmět být nabízen studentům v obou semestrech(Z,L). Za organizační zajištění výuky zodpovídá přiřazená katedra, která zejména vytvoří časový rozvrh předmětu a zajistí pro předmět vyučující. Někteří přednáší a zkouší, jiní vedou cvičení a udělují zápočty.
Obsahová náplň a další organizační informace, týkající se předmětu je popsána pomocí různých popisných textů(anotace, týdenní osnova, literatura, apod.)
$DODATEK_POPIS

Anotace:
Studenti se seznámí s algoritmy používanými v data miningu a strojovém učení, případně si prohloubí znalosti z předchozího studia. U studentů se předpokládá, že již základy data miningu znají. V předmětu budou vedle moderních algoritmů data miningu (např. gradient boosting) představeny i nové typy úloh (např. doporučovací systémy) a modelů (např. jádrové metody).

Osnovy přednášek:

1.		Rekapitulace základních metod data miningu a jejich aplikací.
2.		Vyhodnocování modelů.
3.		Bias variance dekompozice, negative correlation learning.
4.		Rozhodovací stromy a na nich založené ensemble metody.
5.	-	6.  (2) Boosting, gradient boosting (XGBoost).
7.		Úvod do jádrových metod.
8.		Jádrové metody.
9.		Moderní jádrové metody.
10.	-	11.  (2) Úvod do doporučovacích systémů, použití metody kNN.
12.		Faktorizační metody pro doporučování.
13.		Učení hyperparametrů, AutoML, nové trendy.

Osnovy cvičení:

Literatura:

[1]		Hastie T.,Tibshirani R.,Friedman J., The Elements of Statistical Learning, Data Mining, Inference and Prediction, Springer, 2011
[2]		Murphy, K. P., Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series), The MIT Press, 2012
[3]		Aggarwal, Ch. C., Recommender Systems, Springer, 2016

Požadavky:
základy statistiky, algoritmizace, BI-VZD - Vytěžování znalostí z dat

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/MI-ADM/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr MI-WSI-SI.2016 Webové a softwarové inženýrství V 2 MI-SP-SP.2016 Systémové programování V 2 MI-ZI.2018 Znalostní inženýrství PO 2 MI-SPOL.2016 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study VO 2 MI-WSI-ISM.2016 Webové a softwarové inženýrství PZ 2 MI-ZI.2016 Znalostní inženýrství PO 2 MI-WSI-WI.2016 Webové a softwarové inženýrství V 2 MI-SP-TI.2016 Systémové programování V 2 MI-NPVS.2016 Návrh a programování vestavných systémů V 2 MI-PSS.2016 Počítačové systémy a sítě V 2 MI-PB.2016 Počítačová bezpečnost V 2