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
MI-ADM.16 | Algoritmy data miningu | Rozsah kontaktní výuky: | 2P+1C | ||
---|---|---|---|---|---|
Vyučující: | Způsob zakončení: | Z,ZK | |||
Zodpovědná katedra: | 18105 | ECTS Kredity: | 5 | Semestr: | L |
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
|
Předmět je zahrnut do těchto studijních plánů:
Stránka vytvořena 26. 4. 2024, semestry: Z/2021-2, L/2019-20, Z/2022-3, Z/2023-4, L/2021-2, Z,L/2020-1, L/2022-3, L/2023-4, Z/2024-5, Z/2019-20, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: J. Novák, I. Halaška |