Detail předmětu

Strojové učení

FEKT-MSTUAk. rok: 2015/2016

Předmět se zabývá otázkou, jak konstruovat počítačové programy, které se automaticky zlepšují pomocí učení. Cílem předmětu je představit přehled základních typů algoritmů a postupů definujících strojové učení, které tvoří matematicko-logický základ oborů, jako jsou umělá inteligence, rozpoznání vzorů nebo dolování dat. Důraz je kladen zejména na řešení klasifikačních a optimalizačních úloh.

Jazyk výuky

čeština

Počet kreditů

5

Garant předmětu

Ing. Petr Honzík, Ph.D.

Zajišťuje ústav

Ústav automatizace a měřicí techniky (UAMT)

Výsledky učení předmětu

Absolvent předmětu je schopen:
- navrhnout řešení klasifikační úlohy
- předzpracovat data a vybrat vhodnou množinu příznaků k modelování
- vybrat vhodný model a odhadnout jeho přesnost
- zdůvodnit vhodnost/nevhodnost různých řešení
- navrhnout řešení optimalizační úlohy
- vybrat pro daný typ optimalizační úlohy vhodnou optimalizační metodu

Prerekvizity

Jsou požadovány znalosti na úrovni bakalářského studia zejména v oblasti matematiky, statistiky a teorie pravděpodobnosti.

Plánované vzdělávací činnosti a výukové metody

Metody vyučování zahrnují přednášky a cvičení. Student odevzdává jeden samostatný projekt.

Způsob a kritéria hodnocení

Zápočet (projekt): 20 bodů.
Zkouška: 80 bodů.
Získání zápočtu není podmíněno počtem bodů získaných za projekt.

Osnovy výuky

1. Paradigmata strojového učení. Terminologie. Učení se konceptům. Základy teorie informace.
2. Statistika ve strojovém učení.
3. Učení založené na instancích.
4. Rozhodovací stromy.
5. Metody odhadu chyby modelu.
6. Chybové funkce. Předzpracování dat 1.
7. Předzpracování dat 2.
8. Genetické algoritmy. Diferenciální evoluce. Mravenčí kolonie.
9. Bayesovské učení.
10. Lineární regrese. Diskriminační analýza. Podpůrné vektory.
11. Meta-učení.
12. Učení bez učitele.

Učební cíle

Cílem předmětu je poskytnou studentům základní orientaci v klíčových algoritmech a teoriích strojového učení, důraz je kladen na oblasti klasifikace a optimalizace.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Povinná je registrace projektu a jeho odevzdání. Veškeré ostatní součásti výuky jsou nepovinné.

Základní literatura

Honzík P.: Strojové učení. Elektonická skripta VUT. (CS)

Doporučená literatura

Mitchell, Tom M. Machine learning. Boston : McGraw-Hill, 1997. 414 s. McGraw-Hill series in computer science. ISBN 0-07-042807-7. (EN)

Zařazení předmětu ve studijních plánech

  • Program EEKR-M1 magisterský navazující

    obor M1-KAM , 2 ročník, zimní semestr, volitelný oborový

  • Program EEKR-M magisterský navazující

    obor M-KAM , 2 ročník, zimní semestr, volitelný oborový

  • Program EEKR-CZV celoživotní vzdělávání (není studentem)

    obor ET-CZV , 1 ročník, zimní semestr, volitelný oborový

Typ (způsob) výuky

 

Přednáška

26 hod., nepovinná

Vyučující / Lektor

Ing. Petr Honzík, Ph.D.

Osnova

1. Paradigmata strojového učení. Terminologie. Učení se konceptům. Základy teorie informace.
2. Statistika ve strojovém učení.
3. Učení založené na instancích.
4. Rozhodovací stromy.
5. Metody odhadu chyby modelu.
6. Chybové funkce. Předzpracování dat 1.
7. Předzpracování dat 2.
8. Genetické algoritmy. Diferenciální evoluce. Mravenčí kolonie.
9. Bayesovské učení.
10. Lineární regrese. Diskriminační analýza. Podpůrné vektory.
11. Meta-učení.
12. Učení bez učitele.

Cvičení na počítači

26 hod., povinná

Vyučující / Lektor

Ing. Petr Honzík, Ph.D.

Osnova

1. Paradigmata strojového učení. Terminologie. Učení se konceptům. Základy teorie informace.
2. Statistika ve strojovém učení.
3. Učení založené na instancích.
4. Rozhodovací stromy.
5. Metody odhadu chyby modelu.
6. Chybové funkce. Předzpracování dat 1.
7. Předzpracování dat 2.
8. Genetické algoritmy. Diferenciální evoluce. Mravenčí kolonie.
9. Bayesovské učení.
10. Lineární regrese. Diskriminační analýza. Podpůrné vektory.
11. Meta-učení.
12. Učení bez učitele.