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-MLP | Strojové učení v praxi | Rozsah kontaktní výuky: | 2P+1C | ||
---|---|---|---|---|---|
Vyučující: | Hučín J. | Způsob zakončení: | Z,ZK | ||
Zodpovědná katedra: | 18105 | ECTS Kredity: | 5 | Semestr: | Z |
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
|
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 |