Předmět je základní jednotka výuky, jejímž prostřednictvím si student osvojí ucelenou část souboru znalostí a dovedností, potřebnou pro zvládnutí studijního oboru. 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:
Předmět seznamuje studenty s metodami strojového učení, které uplatní ve svých specializacích navazujícího programu Aplikovaná informatika. Tyto principy a znalosti nejsou obsaženy ve společném bakářském profilu uchazečů, vyučují se jen ve specializacích zaměřených na umělou inteligenci. Cílem je porozumět teoretickým principům a naučit se prakticky používat modely vhodné pro regresní i klasifikační úlohy ve scénáři učení s učitelem včetně jádrových metod a neuronových sítí. Ve scénáři učení bez učitele se studenti seznámí zejména s modely shlukování a s analýzou hlavních komponent. V předmětu bude také probrána problematika vyhodnocování kvality modelů a základní techniky předzpracování dat. Na cvičeních se k práci s daty a modely budou využívat knihovny pandas, scikit a pytorch pro jazyk Python.

Osnovy přednášek:

1.		Základní koncepty strojového učení - supervizované učení, klasifikační a regresní úloha.
2.		Rozhodovací stromy, metoda nejbližších sousedů, normalizace.
3.		Lineární a hřebenová regrese.
4.		Logistická regrese.
5.		Ensemble metody - náhodné lesy, AdaBoost.
6.		Evaluace modelů (regrese, klasifikace - matice záměn a odvozené metriky), křížová validace, výběr příznaků.
7.		Nesupervizované učení - shlukování (aglomerativní hierarchické, k-means).
8.		Metoda podpůrných vektorů (SVM) pro klasifikaci.
9.		Analýza hlavních komponent (PCA).
10.		(2) Neuronové sítě - ztrátové funkce, zpětné šíření chyby, hluboké učení.
11.		Konvoluční neuronové sítě, rekurentní neuronové sítě.
12.		Moderní modely neuronových sítí - autoencodery, transformery, LLM.

Osnovy cvičení:

1.		Úvod, představení nástrojů (pandas, sklearn)
2.		Rozhodovací stromy, metoda nejbližších sousedů, normalizace
3.		Lineární a hřebenová regrese
4.		Logistická regrese
5.		Ensemble metody - náhodné lesy, AdaBoost
6.		Evaluace modelů (regrese, klasifikace - matice záměn a odvozené metriky), křížová validace, výběr příznaků
7.		Nesupervizované učení - shlukování (aglomerativní hierarchické, k-means)
8.		Metoda podpůrných vektorů (SVM) pro klasifikaci
9.		Analýza hlavních komponent (PCA)
10.		Úvod do neuronových sítí
11.		Konvoluční neuronové sítě, rekurentní neuronové sítě
12.		Moderní modely neuronových sítí - autoencodery, transformery

Literatura:

1.		Murphy K. P.: Machine Learning: A Probabilistic Perspective. MIT Press, 2012. ISBN 978-0-262-01802-9.
2.		Goodfellow I., Bengio Y., Courville A.: Deep Learning. MIT Press, 2016. ISBN 978-0-262-03561-3.
3.		Alpaydin E.: Introduction to Machine Learning. MIT Press, 2020. ISBN 978-0262043793.
4.		Hastie T., Tibshirani R., Friedman J.: The Elements of Statistical Learning. Springer, 2009. ISBN 978-0-387-84857-0.
5.		Deisenroth M. P.: Mathematics for Machine Learning. Cambridge University Press, 2020. ISBN 978-1108455145.

Požadavky:
Základní znalost programování v Pythonu.

Výukové materiály na courses

Předmět je zahrnut do těchto studijních plánů:

Plán Obor Role Dop. semestr NI-UI.2026 Umělá inteligence VO 2 QNI Nespecifikovaná specializace studia - Unspecified Specialisation of Study V 2 NI-TI.2026 Teoretická informatika VO 2 ANI-SPOL Nespecifikovaná specializace studia - Unspecified Specialisation of Study V 2 ANI-VG Visual computing a Game design V 2 ANI-MI Manažerská informatika V 2 ANI-WI Webové inženýrství V 2 ANI-SI Softwarové inženýrství V 2 ANI-ES Embedded systémy V 2 NI-SPOL.2026 Nespecifikovaná specializace studia - Unspecified Specialisation of Study VO 2 ANI-ES Embedded systémy PP 2 ANI-WI Webové inženýrství PP 2 ANI-VG Visual computing a Game design PP 2 ANI-SI Softwarové inženýrství PP 2 ANI-SPOL Nespecifikovaná specializace studia - Unspecified Specialisation of Study PP 2 ANI-MI Manažerská informatika PP 2 NI-PSS.2026 Počítačové systémy a sítě PS 2 NI-PB.2026 Počítačová bezpečnost VO 2 NI-PJ.2026 Programovací jazyky VO 2