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
BI-ML1.21 | Strojové učení 1 | Rozsah kontaktní výuky: | 2P+2C | ||
---|---|---|---|---|---|
Vyučující: | Klouda K., Vašata D. | Způsob zakončení: | Z,ZK | ||
Zodpovědná katedra: | 18105 | ECTS Kredity: | 5 | Semestr: | Z |
Anotace:
Cílem předmětu je seznámit studenty se základními metodami strojového učení. Studenti teoreticky porozumí a naučí se prakticky používat modely vhodné pro regresní i klasifikační úlohy ve scénáři učení s učitelem a také modely shlukování ve scénáři učení bez učitele. V předmětu bude také probrán vztah mezi vychýlením a variancí modelů (bias-variance trade-off) a vyhodnocování kvality modelů. Kromě toho se studenti naučí základní techniky předzpracování a vizualizace dat. Na cvičeních se k práci s daty a modely budou využívat knihovny pandas a scikit pro jazyk Python.
Osnovy přednášek:
1. | Úvod a základní koncepty strojového učení | |
2. | Supervizované učení, klasifikační úloha, rozhodovací stromy | |
3. | Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi | |
4. | Lineární regrese - metoda nejmenších čtverců | |
5. | Lineární regrese - geometrická interpretace, numerické problémy | |
6. | Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off) | |
7. | Logistická regrese | |
8. | Ensemble metody - náhodné lesy, AdaBoost | |
9. | Evaluace modelů, křížová validace | |
10. | Výběr příznaků | |
11. | Nesupervizované učení, asociační pravidla | |
12. | Hierarchická shlukování a algoritmus k-means |
Osnovy cvičení:
1. | Úvod, Python a jupyter notebooky | |
2. | Supervizované učení, klasifikační úloha, rozhodovací stromy | |
3. | Regresní úloha, Metoda nejbližších sousedů pro klasifikaci i regresi | |
4. | Lineární regrese - metoda nejmenších čtverců | |
5. | Lineární regrese - geometrická interpretace, numerické problémy | |
6. | Hřebenová regrese, vztah vychýlení a rozptylu (bias-variance trade-off) | |
7. | Logistická regrese | |
8. | Ensemble metody - náhodné lesy, AdaBoost | |
9. | Evaluace modelů, křížová validace | |
10. | Výběr příznaků | |
11. | Nesupervizované učení, asociační pravidla | |
12. | Hierarchická shlukování a algoritmus k-means |
Literatura:
1. | Deisenroth M. P. : Mathematics for Machine Learning. Cambridge University Press, 2020. ISBN 978-1108455145. | |
2. | Alpaydin E. : Introduction to Machine Learning. MIT Press, 2020. ISBN 978-0262043793. | |
3. | Murphy K. P. : Machine Learning: A Probabilistic Perspective. MIT Press, 2012. ISBN 978-0-262-01802-9. | |
4. | Bishop Ch. M. : Pattern Recognition and Machine Learning. Springer, 2006. ISBN 978-0387-31073-2. | |
5. | Hastie T., Tibshirani R., Friedman J. : The Elements of Statistical Learning. Springer, 2009. ISBN 978-0-387-84857-0. |
Požadavky:
Předpokládá se znalost lineární algebry, matematické analýzy a teorie pravděpodobnosti v rozsahu kurzů vyučovaných na fakultě.
|
Předmět je zahrnut do těchto studijních plánů:
Stránka vytvořena 2. 5. 2024, semestry: Z/2020-1, L/2023-4, L/2021-2, L/2019-20, Z/2021-2, Z/2023-4, L/2020-1, Z/2019-20, L/2022-3, Z/2024-5, Z/2022-3, připomínky k informační náplni zasílejte správci studijních plánů | Návrh a realizace: J. Novák, I. Halaška |