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 course focuses on algorithms used in the fields of machine learning and data mining. However, this is not an introductory course, and the students should know machine learning basics. The emphasis is put on advanced algorithms (e.g., gradient boosting) and non-basic kinds of machine learning tasks (e.g., recommendation systems) and models (e.g., kernel methods).

Osnovy přednášek:

1.		Recalling basic data mining methods and their applications.
2.		Model evaluation.
3.		Bias-variance decomposition, negative correlation learning.
4.		Decision trees and ensemble methods based on them.
5.	-	6.  (2) Boosting and gradient boosting (XGBoost).
7.		Introduction to kernel methods.
8.		Kernel methods.
9.		Modern kernel methods.
10.	-	11.  (2) Introduction to recommendation systems, usage of kNN.
12.		Matrix factorisation for reccomendation.
13.		Hyperparameters tuning, AutoML, new trends.

Osnovy cvičení:
(1-6) Various topics and in-depth examples of model evaluation techniques and selected algorithms

Literatura:

1.		Hastie, T. - Tibshirani, R. - Friedman, J. : The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer, 2011. ISBN 978-0387848570.
2.		Murphy, K. P. : Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series). MIT Press, 2012. ISBN 978-0262018029.
3.		Shai Shalev-Shwartz, Shai Ben-David : Understanding Machine Learning, From Theory to Algorithms. Cambridge University Press, 2014. ISBN 978-1107057135.
4.		Aggarwal, Ch. C. : Recommender Systems. Springer, 2016. ISBN 978-3319296579.

Požadavky:
Statistics, algorithmization, BIE-VZD - Introduction to data mining.

Chybí osnova cvičení a odkaz na webovou stránku předmětu. Informace o předmětu a výukové materiály naleznete na https://courses.fit.cvut.cz/MI-ADM/

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NIE-NPVS.21 Design and Programming of Embedded Systems 2021 V 2 NIE-TI.21 Computer Science 2021 PS 2 NIE-PSS.21 Computer Systems and Networks 2021 V 2 NIE-PB.21 Computer Security 2021 V 2 NIE-SI.21 Software Engineering 2021 V 2