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:
Aplikace metod strojového učení na reálných projektech v praxi je spojena s mnoha dalšími nezbytnými úkony ? počínaje porozuměním záměrů zadavatele a konče v ideálním případě technickou implementací. Předmět studenty provede všemi fázemi projektu podle standardní metodiky CRISP-DM, a to nejen teoreticky, ale i prakticky. Cílem je vyzkoušet si zpracování reálných dat a naučit se popsat celý proces od explorace po vyhodnocení výkonnosti modelu formou srozumitelného a přehledného reportu.

Osnovy přednášek:

1.		Strojové učení v kontextu Data science projektů. Metodika CRISP-DM.
2.		Základní technologie pro analýzu a zpracování dat.
3.		Data understanding.
4.		Statistická inference.
5.		Aplikovaný bayesianismus.
6.		Tvorba srozumitelného reportu.
7.		Data preparation.
8.		Praxe modelování a hodnocení modelů.
9.		Interpretabilita modelů.
10.		Aplikace principů SW inženýrství.
11.		Využití technologií pro Big Data.
12.		Limity statistických metod.

Osnovy cvičení:

1.		Praktické osahání vybraných technologií (pandas, scikit-learn, seaborn, mlflow, ...)
2.		Základní explorace a vizualizace, formulace zjištění a doporučení pro čištění dat.
3.		Praktické řešení úloh pomocí bayesovského uvažování.
4.		Nástroje na tvorbu reportu (Quarto, pretty-jupyter, ...)
5.		Zpracování reálných dat: transformace dat a extrakce příznaků, 6. sestavení referenčního modelu a jeho vylepšování.

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.

Požadavky:
BI-ML1/BI-ML2

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

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NI-PB.2020 Počítačová bezpečnost V Není NI-ZI.2020 Znalostní inženýrství V Není NI-SPOL.2020 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study V Není NI-TI.2020 Teoretická informatika V Není NI-TI.2023 Teoretická informatika V Není NI-NPVS.2020 Návrh a programování vestavných systémů V Není NI-PSS.2020 Počítačové systémy a sítě V Není NI-MI.2020 Manažerská informatika V Není NI-SI.2020 Softwarové inženýrství V Není NI-SP.2020 Systémové programování V Není NI-WI.2020 Webové inženýrství V Není NI-SP.2023 Systémové programování V Není NI-TI.2018 Teoretická informatika V Není