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:
Cílem předmětu je seznámit studenty s vybranými pokročilejšími metodami strojového učení. Ve scénáři učení s učitelem se jedná zejména o jádrové metody a neuronové sítě. Ve scénáři učení bez učitele se jedná o analýzu hlavních komponent a další metody redukce dimenzionality. Kromě toho se studenti obeznámí se základy posilovaného učení a strojového zpracování přirozeného jazyka.

Osnovy přednášek:

1.		Lineární model bázových funkcí, jádrová regrese
2.		Metoda podpůrných vektorů (SVM) pro klasifikaci
3.		Redukce dimenzionality - analýza hlavních komponent (PCA)
4.		Redukce dimenzionality - lineární diskriminační analýza, lokálně lineární vnoření
3.		Generativní modely - naivní Bayes
6.		Neuronové sítě - perceptron, vícevrstvý perceptron, hluboké učení
7.		Neuronové sítě - zpětné šíření chyby, regularizace
8.		Neuronové sítě - konvoluční neuronové sítě
9.		Neuronové sítě - rekurentní neuronové sítě, moderní metody
10.		Posilované učení - úvod, mnohoruký bandita
11.		Posilované učení - markovův rozhodovací proces
12.		Strojové zpracování přirozeného jazyka

Osnovy cvičení:

1.		Lineární model bázových funkcí, jádrová regrese
2.		Metoda podpůrných vektorů (SVM)
3.		Redukce dimenzionality - analýza hlavních komponent (PCA)
4.		Redukce dimenzionality - lineární diskriminační analýza, lokálně lineární vnoření
3.		Generativní modely - naivní Bayes
6.		Neuronové sítě - perceptron, vícevrstvý perceptron
7.		Neuronové sítě - hluboké sítě
8.		Neuronové sítě - konvoluční neuronové sítě
9.		Neuronové sítě - rekurentní neuronové sítě
10.		Posilované učení I 11. Posilované učení II
12.		Strojové zpracování přirozeného jazyka

Literatura:

1.		Hastie T., Tibshirani R., Friedman, J. : The Elements of Statistical Learning. Springer, 2009. ISBN 978-0-387-84857-0.
2.		Goodfellow I., Bengio Y., Courville A. : Deep Learning. MIT Press, 2016. ISBN 978-0-262-03561-3.
3.		Sutton R. S., Barto A. G. : Reinforcement Learning. MIT Press, 2018. ISBN 978-0-262-03924-6.

Požadavky:
Předpokládá se znalost lineární algebry, matematické analýzy, teorie pravděpodobnosti v rozsahu kurzů vyučovaných na fakultě. Dále se předpokládá znalost strojového učení odpovídající rozsahu kurzu BI-ML1 na fakultě.

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML2/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr BI-MI.21 Manažerská informatika 2021 V 4 BI-PI.21 Počítačové inženýrství 2021 V 4 BI-PS.21 Počítačové sítě a Internet 2021 V 4 BI-IB.21 Informační bezpečnost 2021 V 4 BI-TI.21 Teoretická informatika 2021 V 4 BI-WI.21 Webové inženýrství 2021 V 4 BI-UI.21 Umělá inteligence 2021 PS 4 BI-SPOL.21 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study VO 4 BI-SI.21 Softwarové inženýrství 2021 V 4 BI-PS.21 Počítačové sítě a Internet 2021 PV 6 BI-PG.21 Počítačová grafika 2021 V 4 BI-PV.21 Počítačové systémy a virtualizace 2021 V 4