Popis předmětu

Hlavní stránka | Seznam oborů/specializací | Seznam všech skupin předmětů | Seznam všech předmětů | Seznam rolí Návod

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

NI-AML	Pokročilé techniky strojového učení			Rozsah kontaktní výuky:	2P + 1C
Vyučující:	Buk Z., Da Silva Alves R., Čepek M., Šimánek P., Rybář V.			Způsob zakončení:	Z,ZK
Zodpovědná katedra:	18105	ECTS Kredity:	5	Semestr:	L

Anotace:
Předmět seznamuje studenty s vybranými pokročilými tématy strojového učení a umělé inteligence a jejich aplikace na reálné problémy. Témata představují techniky v oblasti doporučovacích systémů, zpracování obrazu, řízení i propojení fyzikálních zákonů s oblastí strojového učení. Cílem cvičení je podrobně seznámit studenty s probíranými metodami.

Osnovy přednášek:

1. Introduction, Repeatable ML Projects - MLOps

2. Optimisation in Deep Learning

3. Recommender Systems

4. Recommender Systems

5. Continual Learning

6. ML in modeling and control

7. Advanced Image Processing

8. Physics informed ML

9. Interpretable and Explainable Models

10. Causal Machine Learning

11. Time Series Modeling

12. AI Alignment

Osnovy cvičení:

1. Optimisation in Deep Learning

2. Recommender Systems

3. ML in modeling and control

4. Physics informed ML

5. Interpretable and Explainable Models

6. Semestral project presentation

Literatura:

[1] Silva, N., Werneck, H., Silva, T., Pereira, A. C., & Rocha, L. (2022). Multi-Armed Bandits in Recommendation Systems: A survey of the state-of-the-art and future directions. Expert Systems with Applications

[2] McAuley, J. (2022). Personalized Machine Learning. Cambridge University Press.

[3] Gift, N., & Deza, A. (2021). Practical MLOps. " O'Reilly Media, Inc.".

[4] Rajendra, P., Ravi. PVN, H., & Naidu T, G. (2021). Optimization methods for deep neural networks. In AIP Conference Proceedings (Vol. 2375, No. 1, p. 020034). AIP Publishing LLC.

[5] Bagus, B., Gepperth, A., & Lesort, T. (2022). Beyond Supervised Continual Learning: a Review.

[6] Karniadakis, G. E., Kevrekidis, I. G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3(6), 422-440.

[7] Kirchner, J. H., Smith, L., Thibodeau, J., McDonell, K., & Reynolds, L. (2022). Researching Alignment Research: Unsupervised Analysis.

[8] Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society

[9] Ismail Fawaz, H., Forestier, G., Weber, J., Idoumghar, L., & Muller, P. A. (2019). Deep learning for time series classification: a review. Data mining and knowledge discovery

Požadavky:
Doporučenou prerekvizitou je absolvování předmětu NI-MVI. Předpokládá se znalost témat hlubokého učení - dopředné, konvoluční neuronové sítě, autoencodery, transformery a evoluční algoritmy, neuroevoluce.

Informace o předmětu a výukové materiály naleznete na http://courses.fit.cvut.cz/NI-AML

Stránka vytvořena 27. 4. 2024, semestry: L/2023-4, L/2021-2, Z/2023-4, Z,L/2019-20, Z/2024-5, Z/2021-2, Z/2020-1, Z/2022-3, L/2020-1, L/2022-3, připomínky k informační náplni zasílejte správci studijních plánů

Návrh a realizace: J. Novák, I. Halaška

1.		Introduction, Repeatable ML Projects - MLOps
2.		Optimisation in Deep Learning
3.		Recommender Systems
4.		Recommender Systems
5.		Continual Learning
6.		ML in modeling and control
7.		Advanced Image Processing
8.		Physics informed ML
9.		Interpretable and Explainable Models
10.		Causal Machine Learning
11.		Time Series Modeling
12.		AI Alignment

[1]		Silva, N., Werneck, H., Silva, T., Pereira, A. C., & Rocha, L. (2022). Multi-Armed Bandits in Recommendation Systems: A survey of the state-of-the-art and future directions. Expert Systems with Applications
[2]		McAuley, J. (2022). Personalized Machine Learning. Cambridge University Press.
[3]		Gift, N., & Deza, A. (2021). Practical MLOps. " O'Reilly Media, Inc.".
[4]		Rajendra, P., Ravi. PVN, H., & Naidu T, G. (2021). Optimization methods for deep neural networks. In AIP Conference Proceedings (Vol. 2375, No. 1, p. 020034). AIP Publishing LLC.
[5]		Bagus, B., Gepperth, A., & Lesort, T. (2022). Beyond Supervised Continual Learning: a Review.
[6]		Karniadakis, G. E., Kevrekidis, I. G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3(6), 422-440.
[7]		Kirchner, J. H., Smith, L., Thibodeau, J., McDonell, K., & Reynolds, L. (2022). Researching Alignment Research: Unsupervised Analysis.
[8]		Lim, B., & Zohren, S. (2021). Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society
[9]		Ismail Fawaz, H., Forestier, G., Weber, J., Idoumghar, L., & Muller, P. A. (2019). Deep learning for time series classification: a review. Data mining and knowledge discovery