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
NIE-PML | Personalized Machine Learning | Rozsah kontaktní výuky: | 2P+1C | ||
---|---|---|---|---|---|
Vyučující: | Da Silva Alves R. | Způsob zakončení: | Z,ZK | ||
Zodpovědná katedra: | 18105 | ECTS Kredity: | 5 | Semestr: | Z |
Anotace:
Personalized machine learning (PML) is a sub-field of machine learning that aims to create models and predictions based on the unique characteristics and behaviors of individual entities. While PML is commonly used in applications such as recommender systems, which recommend items to users based on their personal interests, its principles can be applied to a wide range of other fields, including education, medicine, and chemical engineering. In this course, we will explore the latest PML methods from theoretical, algorithmic, and practical perspectives. Specifically, we will focus on cutting-edge models that are of interest to both the research and commercial communities.
Osnovy přednášek:
1. | Introduction to Personalized Machine Learning and its fundamental tools. | |
2. | Overview of Recommender Systems and their importance in personalized machine learning. | |
3. | Model-based approaches for Recommender Systems | |
4. | Content-based Recommendation | |
5. | Temporal and Sequential models | |
6. | Cross-domain models | |
7. | Personalized models of Text | |
8. | Visual Personalized Models | |
9. | Emerging trends in Personalized Machine Learning | |
10. | Ethical Aspects of Personalized Models |
Osnovy cvičení:
The course exercises will be designed to help students develop a comprehensive understanding of personalized models, from both applied and fundamental research perspectives. These exercises will be structured in a series of steps, each contributing to building a solid framework for creating a personalized machine learning model. Students will focus on implementing the concepts learned in real-world scenarios, which will culminate in a substantial project resulting in a scientific paper. This approach will allow students to gain practical experience with the techniques and tools used in the field, and demonstrate their ability to apply them to real-world problems. Throughout the course, students will receive guidance and support from their instructor and peers, helping them to stay on track and achieve their goals in a student-centered methodology.
Literatura:
1. | McAuley, J ., Personalized Machine Learning. Cambridge University Press, 2022. ISBN: 978-1316518908 | |
2. | Aggarwal, Ch. C. , Recommender Systems. Springer, 2016. ISBN 978-3319296579. | |
3. | James, G., Witten, D., Hastie, T., & Tibshirani, R. An introduction to statistical learning. New York: springer, 2013. ISBN: 978-1461471370 | |
4. | Deisenroth, M. P., Faisal, A. A ONG, Cheng Soon, Mathematics for machine learning. Cambridge University Press, 2020. ISBN: 978-1108455145 |
Požadavky:
The knowledge of calculus, linear algebra, probability theory and basics of machine learning is assumed.
|
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 |