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 se základními metodami strojového učení. Studenti teoreticky porozumí a naučí se prakticky používat modely vhodné pro regresní i klasifikační úlohy ve scénáři učení s učitelem a také modely shlukování ve scénáři učení bez učitele. V předmětu bude také probrán vztah mezi vychýlením a variancí modelů (bias-variance trade-off) a vyhodnocování kvality modelů. Kromě toho se studenti naučí základní techniky předzpracování a vizualizace dat. Na cvičeních se k práci s daty a modely budou využívat knihovny pandas a scikit pro jazyk Python.

Osnovy přednášek:

1.		Úvod a základní koncepty strojového učení
2.		Supervizované učení, klasifikační úloha, rozhodovací stromy
3.		Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi
4.		Lineární regrese - metoda nejmenších čtverců
5.		Lineární regrese - geometrická interpretace, numerické problémy
6.		Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off)
7.		Logistická regrese
8.		Ensemble metody - náhodné lesy, AdaBoost
9.		Evaluace modelů, křížová validace
10.		Výběr příznaků
11.		Nesupervizované učení, asociační pravidla
12.		Hierarchická shlukování a algoritmus k-means

Osnovy cvičení:

1.		Úvod, Python a jupyter notebooky
2.		Supervizované učení, klasifikační úloha, rozhodovací stromy
3.		Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi
4.		Lineární regrese - metoda nejmenších čtverců
5.		Lineární regrese - geometrická interpretace, numerické problémy
6.		Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off)
7.		Logistická regrese
8.		Ensemble metody - náhodné lesy, AdaBoost
9.		Evaluace modelů, křížová validace
10.		Výběr příznaků
11.		Nesupervizované učení, asociační pravidla
12.		Hierarchická shlukování a algoritmus k-means

Literatura:

1.		Deisenroth M. P. : Mathematics for Machine Learning. Cambridge University Press, 2020. ISBN 978-1108455145.
2.		Alpaydin E. : Introduction to Machine Learning. MIT Press, 2020. ISBN 978-0262043793.
3.		Murphy K. P. : Machine Learning: A Probabilistic Perspective. MIT Press, 2012. ISBN 978-0-262-01802-9.
4.		Bishop Ch. M. : Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2.
5.		Hastie T., Tibshirani R., Friedman J. : The Elements of Statistical Learning. Springer, 2009. ISBN 978-0-387-84857-0.

Požadavky:
Předpokládá se znalost lineární algebry, matematické analýzy a teorie pravděpodobnosti v rozsahu kurzů vyučovaných na fakultě.

Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/BI-ML1/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr BI-MI.21 Manažerská informatika 2021 V 3 BI-PI.21 Počítačové inženýrství 2021 V 3 BI-PS.21 Počítačové sítě a Internet 2021 V 3 BI-TI.21 Teoretická informatika 2021 PV 5 BI-IB.21 Informační bezpečnost 2021 V 3 BI-TI.21 Teoretická informatika 2021 V 3 BI-WI.21 Webové inženýrství 2021 V 3 BI-UI.21 Umělá inteligence 2021 PS 3 BI-SPOL.21 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study VO 3 BI-SI.21 Softwarové inženýrství 2021 V 3 BI-PG.21 Počítačová grafika 2021 V 3 BI-PV.21 Počítačové systémy a virtualizace 2021 V 3