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-BML | Bayesovské metody ve strojovém učení | Rozsah kontaktní výuky: | 2P+1C | ||
---|---|---|---|---|---|
Vyučující: | Způsob zakončení: | KZ | |||
Zodpovědná katedra: | 18105 | ECTS Kredity: | 5 | Semestr: | L |
Anotace:
Předmět je zaměřen na praktické využití základních metod bayesovského modelování v dynamicky se rozvíjející oblasti machine learningu, konkrétně na popis reálných jevů vhodně sestavenými modely s jejich následným využitím např. pro předpověď budoucího vývoje nebo pro získání i nformací o vnitřní proměnné (skutečné polohy objektu ze zašuměných měření aj.). Důraz je kladen na pochopení vyložených principů a metod a zejména jejich praktické osvojení, k čemuž slouží řada reálných příkladů a aplikací (např. sledování objektů ve 2D/3D, odhadování zdrojů radiačních úniků, separace medicínských obrazových dat), s nimiž bude student seznámen a/nebo které se sám pokusí řešit.
Osnovy přednášek:
1. | Základy a specifika bayesovské teorie - neurčitost, vývoj znalosti, typy odhadů, metody. | |
2. | Lineární modely v machine learningu, online modelování, predikce, příklady. | |
3. | Zobecněné lineární modely GLM, aproximace a sekvenční (online) odhad. | |
4. | Lineární model, odhad struktury, regularizace volbou apriorna. | |
5. | Bilineární modely a bayesovský přístup k PCA, odhad počtu komponent. | |
6. | Aplikace zobecněných lineárních modelů v praktických problémech machine learningu. | |
7. | Základní stavové modely, Kalmanův filtr. | |
8. | Úvod do Monte Carlo metod, rejection sampling. | |
9. | Sekvenční Monte Carlo odhad stavového modelu, bootstrap particle filtr, resampling. | |
10. | Hierarchické učení a jeho aplikace. | |
11. | Grafické modely, naivní Bayes | |
12. | Úvod do deep learningu a pravděpodobnostních grafických modelů. |
Osnovy cvičení:
1. | Úvod, konstrukce lineárního modelu a jeho odhad, vývoj znalosti, předpovědi. | |
2. | Bayesovská sekvenční lineární regrese, regularizace, ukázky na reálných datech. | |
3. | Sekvenční logistická regrese s využitím reálných dat. | |
4. | Bayesovský model maticové dekompozice a jeho aplikace např. v biomedicíně. | |
5. | Sestavení stavového modelu pro reálný problém a jeho odhad. | |
6. | Využití particle filtru v praktických úlohách machine learningu. |
Literatura:
1. | Andrew Gelman et al., Bayesian Data Analysis, Chapman and Hall (2013), ISBN 1439840954. | |
2. | David Barber, Bayesian Reasoning and Machine Learning, Cambridge University Press (2012), ISBN 978-0-521-51814-7. |
Požadavky:
základní znalost pravděpodobnosti a lineární algebry.
|
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 |