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.
|
Předmět je zahrnut do těchto studijních plánů:
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 |