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:
The goal of this course is to introduce students to the basic methods of machine learning. They get theoretical understanding and practical working knowledge of regression and classification models in the supervised learning scenario and clustering models in the unsupervised scenario. Students will be aware of the relationships between model bias and variance, and know the fundamentals of assessing model quality. Moreover, they learn the basic techniques of data preprocessing and multidimensional data visualization. In practical demonstrations, pandas and scikit libraries in Python will be used.

Osnovy přednášek:

1.		Introduction and basic concepts of Machine Learning
2.		Supervised learning setup, Linear regression - Ordinary least squares
3.		Linear regression - geometrical interpretation, numerical issues
4.		Ridge regression, bias-variance trade-off
5.		Classification setup, Decision trees
6.		Ensemble methods (Random forests, Adaboost)
7.		K-nearest neighbors for classification and regression
8.		Logistic regression
9.		Model evaluation, cross-validation
10.		Feature selection
11.		Unsupervised learning setup, Association rules
12.		Hierarchical clustering, the k-means algorithm

Osnovy cvičení:

1.		Introduction, Python and jupyter notebooks
2.		Supervised learning setup, Linear regression - Ordinary least squares
3.		Linear regression - geometrical interpretation, numerical issues
4.		Ridge regression, bias-variance trade-off
5.		Classification setup, Decision trees
6.		Ensemble methods (Random forests, Adaboost)
7.		K-nearest neighbors for classification and regression
8.		Logistic regression
9.		Model evaluation, cross-validation
10.		Feature selection
11.		Unsupervised learning setup, Association rules
12.		Hierarchical clustering, the k-means algorithm

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:
The knowledge of calculus, linear algebra and probability theory is assumed.

All informations and course materials can be fond at https://courses.fit.cvut.cz/BIE-ML1/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr BIE-TI.21 Computer Science 2021 PV 5