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 selected advanced methods of machine learning. In the supervised learning scenario, they, in particular, learn kernel methods and neural networks. In the unsupervised learning scenario students learn the principal component analysis and other dimensionality reduction methods. Moreover, students get the basic principles of reinforcement learning and natural language processing.

Osnovy přednášek:

1.		Linear basis expansion, Kernel regression
2.		Support vector machines for classification
3.		Dimensionality reduction - Principal component analysis
4.		Dimensionality reduction - Linear discriminant analysis, Locally linear embedding
5.		Generative models - Naive Bayes
6.		Neural Networks - Perceptron, multi-layer perceptron, deep learning
7.		Neural Networks - backpropagation, regularization
8.		Neural Networks - convolutional neural networks
9.		Neural networks - recurrent neural networks, modern trends
10.		Reinforcement learning - introduction, multi-armed bandit
11.		Reinforcement learning - Markov decision processes
12.		Natural language processing

Osnovy cvičení:

1.		Linear basis expansion, Kernel regression
2.		Support vector machines
3.		Dimensionality reduction - Principal component analysis
4.		Dimensionality reduction - Linear discriminant analysis, Locally linear embedding
5.		Generative models - Naive Bayes
6.		Neural Networks - Perceptron, multi-layer perceptron
7.		Neural Networks - deep learning, regularization
8.		Neural Networks - convolutional neural networks
9.		Neural networks - recurrent neural networks
10.		Reinforcement learning I 11. Reinforcement learning II
12.		Natural language processing

Literatura:

1.		The Elements of Statistical Learning, Hastie T. and Tibshirani R. and Friedman J., Springer, 2009, ISBN 978-0-387-84857-0
2.		Deep Learning, I. Goodfellow, Y. Bengio, A. Courville, MIT Press 2016, ISBN 978-0262035613
3.		Reinforcement learning, Sutton, R. S. and Barto, A. G., MIT Press 2018, ISBN 9780262039246

Požadavky:
The knowledge of calculus, linear algebra and probability theory is assumed. Furthermore, the knowledge of machine learning corresponding to topics covered in the course BIE-ML1 is also assumed.

All informations and course materials can be fond at https://courses.fit.cvut.cz/BIE-ML2/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr BIE-PS.21 Computer Networks and Internet 2021 PV 6