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:
Kurz se zaměřuje na state-of-the-art přístupy k distribuovanému data miningu a k paralelizaci algoritmů strojového učení. Studenti získají praktickou zkušenost s frameworkem pro škálovatelné zpracování velkých data Apache Spark a s existujícími distribuovanými algoritmy strojového učení a data miningu. Seznámí se s principy jejich paralelní implementace a budou schopni navrhovat paralelizaci dalších algoritmů.

Osnovy přednášek:

Osnovy cvičení:

1)		Úvod do Map Reduce, frameworku Apache Spark a infrastruktury výpočetního clusteru
2)		Datové struktury frameworku Apache Spark: RDDs, Dataframes, Datasets
3)		Apache Spark ML pipelines, ML Lib
4)		Distribuovaná data, datová explorace, základní statistiky
5)		Distribuované předzpracování dat (extrakce, transformace a selekce příznaků, redukce dimenzionality)
6)		Asociační pravidla, kolaborativní filtrování, alternating least squares
7)		Distribuované algoritmy pro klasifikaci a regresi
8)		Distribuované algoritmy pro shlukování
9)		Distribuované ensembly
10)		Algoritmy pro information retrieval a text mining
11)		Hluboké učení a umělé neuronové sítě
12)		Stream processing a online algoritmy

Literatura:
Pentreath, Nick. Machine Learning with Spark. Packt Publishing Ltd, 2015.

Požadavky:
Znalost programování v alespoň jednom z jazyků Python, Java nebo Scala. Znalost principů základních algoritmů strojového učení.

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

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NI-TI.2018 Teoretická informatika V 2 MI-ZI.2016 Znalostní inženýrství V Není MI-ZI.2018 Znalostní inženýrství V Není MI-SP-TI.2016 Systémové programování V Není MI-SP-SP.2016 Systémové programování V Není MI-SPOL.2016 Nespecifikovaný/á obor/specializace studia - Unspecified Branch/Specialisation of Study V Není MI-WSI-WI.2016 Webové a softwarové inženýrství V Není MI-WSI-SI.2016 Webové a softwarové inženýrství V Není MI-WSI-ISM.2016 Webové a softwarové inženýrství V Není MI-NPVS.2016 Návrh a programování vestavných systémů V Není MI-PSS.2016 Počítačové systémy a sítě V Není MI-PB.2016 Počítačová bezpečnost V Není